v3 Perencanaan Transportasi PDF

PERENCANAAN
TRANSPORTASI
NANDA AHDA IMRON
TUGAS MANDIRI
• Tulis ulang buku Perenacaan Transportasi karangan Fidel Miro
• Halaman 1 s.d 168
• Pada buku script
• Jangka waktu = 2 minggu
• Pake joki, sanksi menanti
Apa itu PERENCANAAN?
• Menurut Erly Suandy (2001), perencanaan adalah suatu proses
penentuan tujuan dan kemudian menyajikan dengan jelas strategi-
strategi, taktik-taktik, dan operasi yang diperlukan untuk mencapai
tujuan secara menyeluruh.
• Menurut Becker (dalam Rustiadi, 2008), perencanaan adalah suatu
cara rasional untuk mempersiapkan masa depan.
• Menurut Alder (dalam Rustiadi 2008:339), perencanaan adalah suatu
proses menentukan apa yang ingin dicapai di masa yang akan datang
serta menetapkan tahapan-tahapan yang dibutuhkan untuk
mencapainya.
Apa itu PERENCANAAN?
• Adalah suatu proses menentukan hal-hal yang ingin dicapai (tujuan)
di masa depan serta menentukan berbagai tahapan yang diperlukan
untuk mencapai tujuan tersebut.
• Suatu kegiatan yang terkoordinasi untuk mencapai tujuan tertentu
dalam kurun waktu tertentu. Dengan begitu, di dalam perencanaan
akan terdapat aktivitas pengujian beberapa arah pencapaian,
mengkaji ketidakpastian, mengukur kapasitas, menentukan arah
pencapaian, serta menentukan langkah untuk mencapainya.
Apa itu TRANSPORTASI?
• Menurut Steenbrink (1974), transportasi adalah perpindahan orang atau
barang dengan menggunakan alat atau kendaraan dari dan ke tempat-
tempat yang terpisah secara geografis.
• Menurut Morlok (1981), transportasi adalah kegiatan memindahkan atau
mengangkut sesuatu dari suatu tempat ketempat lainnya.
• Menurut Bowersox (1981), angkutan adalah perpindahan barang atau
penumpang dari suatu tempat ke tempat lain, dimana produk dipindahkan
ke tempat tujuan.
• Menurut Miro (2005), transportasi adalah usaha memindahkan,
menggerakkan, mengangkut, atau mengalihkan suatu objek dari suatu
tempat ke tempat lainnya di mana di tempat tersebut objek yang
dipindahkan lebih bermanfaat atau bermanfaat untuk tujuan-tujuan
tertentu.
Apa itu TRANSPORTASI?
• Adalah proses pemindahan atau pengangkutan manusia, hewan, dan
barang, dari suatu tempat menuju tempat lain dengan menggunakan
alat transportasi.
• Adalah pemindahan manusia atau barang dari suatu tempat ke
tempat lainnya dengan menggunakan alat atau kendaraan yang
digerakkan oleh manusia atau mesin.
PERENCANAAN TRANSPORTASI??
• Suatu kegiatan perencanaan sistem transportasi yg sistematis dan
bertujuan menyediakan layanan transportasi baik sarana umum maupun
prasarananya disesuaikan dgn kebutuhan transportasi bagi masyarakat di
suatu wilayah serta tujuan2 kemasyarakatan yg lain
• Suatu usaha untuk memprediksikan proses perpindahan manusia, barang
dan jasa dari satu tempat ke tempat lain pada masa mendatang
berdasarkan data perpindahan yang ada sebelumnya (dengan membuat
suatu model)
• Merencanakan secara menyeluruh mengenai sistem transportasi terpadu
yang merupakan Intermode Transportation Systems. Perencanaan
menyangkut angkutan jalan raya, angkutan laut dan angkutan udara dan
berbagai moda transportasi yang ada
PERENCANAAN TRANSPORTASI??
• Adalah suatu perencanaan terkait prasarana transportasi seperti
jalan, terminal, pelabuhan, pengaturan serta sarana untuk
mendukung sistem transportasi yang efisien, aman dan lancar serta
berwawasan lingkungan.
UNSUR-UNSUR perencanaan transportasi
• Ada muatan yang diangkut
• Tersedia kendaraan sebagai pengangkutnya
• Ada jalanan yang dapat dilalui
• Ada terminal asal dan terminal tujuan
• Sumber daya manusia dan organisasi atau manajemen yang
menggerakkan kegiatan transportasi tersebut.
Sistem transportasi?
• Suatu sistem yang terdiri dari prasarana/sarana dan sistem pelayanan
yang memungkinkan adanya pergerakan ke seluruh wilayah (Santoso,
1996)
7an PERENCANAAN TRANSPORTASI
• Untuk memperkirakan jumlah dan lokasi kebutuhan akan transportasi
(jumlah perjalanan, baik untuk angkutan umum ataupun angkutan
pribadi) pada masa yang akan datang (tahun rencana) untuk
kepentingan kebijaksanaan investasi perencanaan transportasi shg
efektif, efisien & ekonomis.
KETERKAITAN dan ELEMEN-ELEMEN
• Transportasi akan selalu berkaitan dengan pepergian/pergerakan
(trip), perjalanan (travel), lalu lintas (traffic), rute/jalur (route)
• Elemen-elemen utama SISTEM transportasi adalah manusia, barang,
prasaranam sarana dan organisasi.
• Elemen-elemen PELAYANAN transportasi adalah kecepatan (speed),
keselamatan (safety), ketersediaan (adequecy), frekuensi (frequency),
keteraturan (regularly), tanggung jawab (responsibility),
pertimbangan yang menyeluruh (comprehensiveness), biaya yang
layak (acceptable cost) dan kenyamanan (comfort).
TRANSPORTASI….
• Kebutuhan sekunder, tersier atau primer? SAAT INI dan yang akan
datang
• Transportasi bukanlah merupakan tujuan akhir, tetapi hal yang
dilakukan untuk mencapai tujuan lain. Oleh karena itu, permintaan
atas jasa transportasi disebut sebagai permintaan turunan (derived
demand) yang timbul akibat adanya permintaan akan komoditi atau
jasa lain.
FUNDAMENTAL PENGEMBANGAN
TRANSPORTASI
• LAND USE to TRANSPORT? Atau
• TRANSPORT to LAND USE??
• KONDISI DULU, SAAN INI DAN DI MASA YANG AKAN DATANG

SISTEM TRANSPORTASI MAKRO
INTERAKSI sistem pergerakan, sistem jaringan dan sistem kegiatan
• Interaksi antara sistem kegiatan dan sistem jaringan akan menghasilkan
suatu pergerakan manusia dan/atau barang dalam bentuk pergerakan
kendaraan.
• Perubahan pada sistem kegiatan akan mempengaruhi sistem jaringan
melalui pergerakan.
• Perubahan pada sistem jaringan akan mempengaruhi sistem kegiatan
melalui peningkatan mobilitas dan aksesibilitas dari sistem pergerakan
tersebut.
• Sistem pergerakan memegang peranan yang penting dalam
mengakomodasikan suatu sistem pergerakan agar tercipta suatu sistem
pergerakan yang akhirnya juga pasti akan mempengaruhi kembali sistem
kegiatan dan sistem jaringan yang ada.
SIKLUS PERGERAKAN
PERMASALAHAN TRANSPORTASI
• ADANYA urbanisasi yang tinggi akibat laju pertumbuhan ekonomi
yang besar khususnya pada pusat-pusat kegiatan (CENTRAL BUSINESS
DISTRICS) sehingga kebutuhan penduduk untuk melakukan
pergerakan pun menjadi semakin meningkat.
• LINGKARAN SETAN….. VISCOUS CIRCLE…..

LINGKARAN SETAN
LINGKARAN SETAN
Penyediaan sistem
sediaan
transportasi
Penurunan tingkat
Peningkatan
pelayanan konflik lalu
aksesibilitas
lintas
Meningkatnya Peningkatan nilai

konflik lalu lintas lahan
Meningkatnya
bangkitan
perjalanan
Meningkatnya permintaan
untuk perubahan
peruntukan lahan
LANGKAH-LANGKAH MENYUSUN
PERENCANAAN TRANSPORTASI
• Perencanaan dibuat atas dasar kebutuhan akan jasa-jasa angkutan.
• Tujuan perencanaan harus jelas tujuan dan sasaran yang hendak dicapai untuk
kepentingan nasional dan daerah.
• Objektif berarti bahwa tujuan dapat direalisir sehubungan dengan rencana yang telah
dibuat untuk dilaksanakan.
• Survei permintaan perlu diadakan terhadap jasa-jasa angkutan.
• Analisis permintaan dilakukan setelah dilaksanakan survei atas
permintaan selanjutnya dijalankan analisis demand sesuai
dengan kapasitas angkutan yang dibutuhkan.
• Solusi dan implementasi hal-hal yang menyangkut jaringan angkutan, analisis biaya,
pemilihan moda transportasi, faktor sosial dan lingkungan yang akan diputuskan untuk
diimplementasikan.
4 tahapan
ANALISIS PERENCANAAN TRANSPORTASI
AKSESIBILITAS
• Aksesibilitas adalah konsep yang menggabungkan sistem pengaturan tata guna lahan
secara geografis dengan sistem jaringan transportasi yang menghubungkannya.
Aksesibilitas merupakan suatu ukuran kenyamanan atau kemudahan mengenai cara
lokasi tata guna lahan berinteraksi satu sama lain yang dapat dicapai melalui sistem
jaringan transportasi.
• Aksesibilitas dapat dinyatakan dengan jarak/waktu/biaya.
• Jika suatu tempat berdekatan tempat lainnya, dapat dikatakan aksesibilitas antara kedua
tempat tinggi, dan sebaliknya apabila jarak kedua tempat berjauhan maka dapat
dikatakan aksesibilitasnya rendah. Jika tata guna lahan yang tersebar dalam ruang secara
tidak merata (heterogen).
• Aksesibilitas >>> banyaknya moda yang tersedia, banyaknya pilihan jenis moda,
kemudahan berpindah moda, waktu tempuh cepat, waktu tunggu sebentar, jarak dekat,
tarif/ongkos murah, dll
• Aksesibiltas >>> kemudahan bergerak
MOBILITAS??
• Adalah banyaknya pelaku perjalanan yang bergerak menuju suatu
tujuan tertentu
• Adalah banyaknya perjalanan yang dilakukan oleh 1 orang pelaku
perjalanan
• Mobilitas >>> banyaknya pergerakan/perjalanan

ASAL+TUJUAN+AKSESIBILITAS+MOBILITAS =
???
• Arus lalu lintas
Aksesibilitas; jarak vs waktu tempuh
JAKARTA??
Aksesibilitas; jarak vs waktu tempuh
SURABAYA??
KONSEP PERGERAKAN
• Pergerakan non-spasial (tanpa batas ruang)
• Pergerakan spasial (dengan batas ruang)
Pergerakan non-spasial (tanpa batas ruang)
Ciri pergerakan non-spasial (tanpa batas ruang)
a. Mengapa pergerakan terjadi? Apa sebabnya?
• Dapat dikelompokkan berdasar maksud pergerakan, misal: ekonomi, sosial,
budaya, pendidikan, rekreasi.
• Rata-rata pergerakan dibuat berbasis rumah tinggal (berawal dan berakhir)
sehingga disebut HOME BASE TRIP
b. Kapan pergerakan dibuat? Hari apa? Jam berapa?
• Ciri ini dapat dihubungkan dengan maksud pergerakan dilakukan (misal untuk
alasan ke kantor, Solo rata-rata masuk kantor sekitar jam 8, sehingga banyak
pergerakan terjadi sekitar jam 8).
• Ciri ini menghasilkan pola pergerakan dengan variasi harian, mingguan, tahunan.
c. Dengan apa pergerakan dilakukan? Apa modanya? Apakah kendaraan pribadi?
Apakah kendaraan umum?
Pergerakan spasial (dengan batas ruang)
Ciri pergerakan spasial (dengan batas ruang)
a. Pola guna lahan
b. Pola pergerakan orang
• Pola perjalanan orang terkait dengan pola tata guna lahan berupa
pemukiman, perindustrian, perkantoran.
c. Pola pergerakan barang
• Pola perjalanan barang dipengaruhi oleh aktivitas produksi dan
konsumsi serta pola rantai distribusi yang menghubungkan pusat
produksi ke pasar
BANGKITAN PERJALANAN
TRIP GENERATION
• Adalah Tahapan pemodelan yang memperkirakan jumlah pergerakan
yang tertarik ke suatu tata guna lahan atau zona. Pergerakan lalu
lintas merupakan tata guna lahan yang menghasilkan pergerakan lalu
lintas. Bangkitan lalu lintas ini mencakup lalu lintas yang
meninggalkan lokasi (trip production)dan lalu lintas yang menuju ke
suatu lokasi (trip attraction).
TRIP GENERATION
Hasil keluaran dari perhitungan bangkitan dan tarikan
lalu lintas berupa jumlah kendaraan, orang, atau
angkutan barang per satuan waktu,
*misalnya kendaraan/jam, orang/hari, dll
Setiap zona mempunyai bangkitan (production) dan

tarikan (atraction) yang nilainya dipengaruhi oleh tipe
dan intensitas land-use. Tapi nilainya tidak selalu sama
dan terjadinya tidak selalu bersamaan. Tahap ini hanya
menghasilkan jumlah bangkitan/produksi (Oi) dan
tarikan (Dd) saja, tidak diketahui dari mana dan kemana
pergerakannya.
Produksi perjalanan
Tarikan perjalanan
TATA GUNA LAHAN (LAND USE)
• Jenis tata guna lahan yang berbeda (pemukiman, pendidikan, dan
komersial) mempunyai ciri bangkitan lalu lintas yang berbeda, yaitu:
a) Jumlah arus lalu lintas
b) Jenis lalu lintas (pejalan kaki, truk, mobil)
c) Lalu lintas pada waktu tertentu (kantor menghasilkan arus lalu lintas
pada pagi dan sore, sedangkan pertokoan menghasilkan arus lalu lintas di
sepanjang hari).
Jumlah dan jenis lalu lintas yang dihasilkan setiap tata guna lahan
merupakan hasil dari fungsi parameter sosial dan ekonomi.
• Bangkitan pergerakan bukan saja beragam dalam jenis tata guna lahan,
tetapi juga tingkat aktivitasnya. Semakin tinggi penggunaan sebidang
tanah, semakin tinggi pergerakan arus lalu lintas yang dihasilkan. Salah satu
ukuran intensitas aktivitas sebidang tanah adalah kepadatannya.
SEBARAN PERJALANAN
TRIP DISTRIBUTION
• Menyatakan pembagian atau distribusi perjalanan antar zona atau
daerah. Model ini sudah menyatakan bentuk matrik asal tujuan.
PETA GARIS KEINGINAN
DESIRE LINE
PEMILIHAN MODA
MODAL SPLIT/MODAL CHOICE/MODAL SHARE
• Secara sederhana modal split berkaitan dengan jenis transportasi yang digunakan pilihan pertama
biasanya berjalan kaki atau menggunakan kendaraan. Jika menggunakan kendaraan, pilihannya
adalah kendaraan pribadi (sepeda, sepeda motor, mobil) atau angkutan umum (bus, becak, dan
lain-lain).
• Orang yang hanya mempunyai satu pilihan moda saja disebut dengan captive (bergantung)
terhadap moda tersebut. Sedangkan yang tidak tergantung disebut non-captive
• Hal yang dipertimbangkan dalam pilihan moda :
• Karakter perjalanan yang dibuat (misal: jarak, waktu dan tujuan)
• Karakter orang yang melakukan perjalanan (kepemilikan kendaraan pribadi, pendapatan, dll).
• Karakteristik sistem transportasinya (waktu tempuh, biaya, waktu tunggu, frekuensi, dan
kenyamanan).
• Orang dengan ekonomi tinggi cenderung memilih mode angkutan pribadi dibandingkan mode
angkutan umum.
PEMILIHAN MODA
PEMILIHAN MODA
Bila Utilitas 0 ( Bus – Mobil Pribadi) probabilitas pemilihan

moda seimbang di 50%, Utilitas 1 (Bus – Mobil Pribadi)
probabilitas pemilihan moda Bus di
70 % sedangkan mobil ribadi 30%.
Boleh dibaca :
• https://catatanxipil.blogspot.com/2019/03/perencanaan-transportasi.html
• http://oktaworo.blogspot.com/2015/03/perencanaan-transportasi-i.html
• https://perencanaankota.blogspot.com/2016/04/konsep-perencanaan-transportasi-lengkap.html
• https://muhamadmuslihlatief91.wordpress.com/2012/10/30/12-perencanaan-transportasi/
• https://wwwbelajartransportasi.wordpress.com/2017/01/26/manajemen-perencanaan-
transportasi/
• https://akbarabdulfattah.wordpress.com/2013/11/21/ringkasan-perencanaan-dan-pemodelan-
transportasi/
• https://www.kajianpustaka.com/2012/10/pengertian-dan-fungsi-transportasi.html
• https://www.google.com/search?q=viscous+circle&tbm=isch&ved=2ahUKEwi2jJqkq_HnAhVOFXIK
HYMTCIAQ2-
cCegQIABAA&oq=viscous+circle&gs_l=img.3..0i19.397728.403864..404722...0.0..0.243.1540.9j4j1
......0....1..gws-wiz-
img.......35i39j0j0i3j0i67j0i30j0i5i30.ScFTtxEwck8&ei=BoFXXrbxIs6qyAODp6CACA&bih=657&biw=
1366&rlz=1C1AVFC_enID789ID789&safe=strict
TUGAS MANDIRI…..
• Tulis ulang materi perencanaan transportasi pada file ini di buku script
• Jangka waktu = 2 minggu
• Pake joki, sanksi menanti
TRIP GENERATION
• Adalah Tahapan pemodelan yang memperkirakan jumlah pergerakan
yang dibangkitkan/ditimbulkan/dihasilkan pada suatu tata guna lahan
atau zona. Bangkitan lalu lintas ini mencakup lalu lintas yang
meninggalkan lokasi (trip production)dan lalu lintas yang menuju ke
suatu lokasi (trip attraction).
Bangkitan
TRIP GENERATION
Hasil keluaran dari perhitungan bangkitan dan tarikan
lalu lintas berupa jumlah kendaraan, orang, atau
angkutan barang per satuan waktu,
*misalnya kendaraan/jam, orang/hari, dll
Setiap zona mempunyai bangkitan (production) dan

tarikan (atraction) yang nilainya dipengaruhi oleh tipe
dan intensitas land-use. Tapi nilainya tidak selalu sama
dan terjadinya tidak selalu bersamaan. Tahap ini hanya
menghasilkan jumlah bangkitan/produksi (Oi) dan
tarikan (Dd) saja, tidak diketahui dari mana dan kemana
pergerakannya.
Produksi perjalanan
Tarikan perjalanan
TRIP GENERATION
3 faktor dasar yang membangkitkan perjalanan
• Tata guna lahan dan pengembangannya di masa depan
• Karakteristik sosio ekonomi penduduk
• Cakupan wilayah pelayanan sistem transportasi dan dan karaktristik
dari sistem transportasi
TRIP GENERATION
• TUJUAN :
• ANALISIS TERHADAP JUMLAH BANGKITAN PERJALANAN SAAT INI
• MENYUSUN MODEL BANGKITAN PERJALANAN
• PERAMALAN/FORECASTING TERHADAP JUMLAH BANGKITAN
PERJALANAN TAHUN RENCANA (misal, 5tahun ke depan)
Tahapan analisis bangkitan dan peramalannya
• Penetapan wilayah studi
• Penentuan zona dan centroid zona
• Pengumpulan data sekunder
• Pengumpulan data primer
• Rekapitulasi data
• Ekspansi data (sampel→populasi)
• Analisis bangkitan perjalanan tahun eksisting
• Penyusunan model bangkitan perjalanan
• Peramalan bangkitan perjalanan untuk tahun rencana
MENENTUKAN WILAYAH STUDI
• Diperlukan peta tata guna lahan terbaru, atau
• Foto udara dengan skala 1:2000
• Bila wilayah studi lebih luas, bisa digunakan foto udara 1:5000
• Peta tata guna lahan menunjukkan penggunaan lahan untuk pemukiman,
CBD (Central Business District), pasar, kawasan pertokoan, pabrik-pabrik,
perkantoran, sekolah, universitas, gereja, masjid, pariwisata, dll
• CAKUPAN/LUASAN wilayah studi DITANDAI/DIBATASI dengan GARIS
CORDON
• CAKUPAN/LUASAN wilayah studi ditentukan oleh tim analis atau dari mitra
kerja
CORDON LUAR
GARIS
CORDON
CORDON LUAR
CORDON DALAM
CORDON LUAR
CORDON LUAR
CORDON LUAR
TIPE DASAR PERJALANAN
CORDON LUAR
GARIS
CORDON
INTERNAL-EKSTERNAL
EKSTERNAL-EKSTERNAL
INTERNAL-INTERNAL THROUGH TRAFFIC
EKSTERNAL-INTERNAL
CORDON LUAR
TATA GUNA LAHAN (LAND USE)
• Jenis tata guna lahan yang berbeda (pemukiman, pendidikan, dan
komersial) mempunyai ciri bangkitan lalu lintas yang berbeda, yaitu:
a) Jumlah arus lalu lintas
b) Jenis lalu lintas (pejalan kaki, truk, mobil)
c) Lalu lintas pada waktu tertentu (kantor menghasilkan arus lalu lintas
pada pagi dan sore, sedangkan pertokoan menghasilkan arus lalu lintas di
sepanjang hari).
Jumlah dan jenis lalu lintas yang dihasilkan setiap tata guna lahan
merupakan hasil dari fungsi parameter sosial dan ekonomi.
• Bangkitan pergerakan bukan saja beragam dalam jenis tata guna lahan,
tetapi juga tingkat aktivitasnya. Semakin tinggi penggunaan sebidang
tanah, semakin tinggi pergerakan arus lalu lintas yang dihasilkan. Salah satu
ukuran intensitas aktivitas sebidang tanah adalah kepadatannya.
MENENTUKAN ZONA, syarat ZONA:
• Memiliki karakteristik tata guna lahan yang relatif sama (se-homogen
mungkin). Untuk pemukiman, dapat dipisahkan menjadi zona pemukiman
berpendapatan tinggi dan rendah.
• Batas zona memotong jalan-jalan utama pada sudut yang tepat (misal:
tegak lurus), dan tidak sejajar dengan rute angkutan utama.
• Batas zona memperhatikan batas yang telah ada. Dapat berupa batas
bentang alam seperti gunung, sungai, danau, dll.
• Batas zona dapat menggunakan batas administrative dalam rangka
mempermudah menghitung populasi dan sampel dari responden.
• Cukup kecil untuk memungkinkan penetapan pola permintaan angkutan
tetapi cukup besar untuk menjamin data yang dikumpulkan di dalam zona
itu dapat dipercaya (secara statistik). Artinya, paling sedikit harus terdapat
30 rumah yang diwawancarai sebagai sampel
MENENTUKAN CBD diantara zona-zona di
dalam wilayah studi
• Central Business District (CBD) atau Daerah Pusat Kegiatan (DPK)
adalah bagian kecil dari kota yang merupakan pusat dari segala
kegiatan politik, social, budaya, ekonomi, dan teknologi. CBD
merupakan zona dengan derajat aksesibilitas tinggi pada suatu kota.
Ciri-ciri CBD
• Adanya pusat perdagangan, terutama sektor retail
• Banyak kantor-kantor institusi perkotaan
• Tidak dijumpai adanya industri berat atau manufaktur
• Jarang permukiman, dan kalaupun ada merupakan permukiman tinggi dan
mewah (kondominium)
• Ditandai dengan adanya zonasi vertikal, yaitu banyak bangunan bertingkat
yang memiliki diferensiasi fungsi
• Adanya jalur pedestrian, yaitu suatu zona yang dikhususkan untuk pejalan
kaki karena sering terjadi kemacetan lalu lintas.
• Adanya “multi storey” yaitu perdagangan yang bermacam-macam dan
ditandai dengan adanya supermarket atau mall
https://www.arsitag.com/article/kawasan-central-business-district-cbd
2 bagian CBD
• Pertama bagian paling inti (the heart of the area) yang disebut RBD
(Retail Business District). Kegiatan yang mendominasi pada bagian ini
adalah department store, smartshops, office building, clubs, bank,
hotel, teater, dan pusat dari kehidupan ekonomi, sosial, budaya, dan
politik.
• Bagian di luarnya atau WBD (Wholesale Business District) ditempati
oleh bangunan dengan peruntukan kegiatan ekonomi skala besar,
seperti pasar, pergudangan (warehouse), dan gedung penyimpanan
barang supaya tahan lama (storage buildings).
CENTRAL BUSINESS DISTRICT
MENENTUKAN CENTROID ZONA (pusat zona)
• Harus terletak pada jalan utama yang ada di dalam zona tersebut
• Harus dapat mewakili semua pergerakan penduduk di d alam zona
tersebut
• Jika memungkinkan sebaiknya terletah di tengah-tengah zona
tersebut
DATA SEKUNDER
• PETA ADMINISTRATIF
• PETA TATA GUNA LAHAN TERBARU
• PETA RENCANA TATA RUANG TATA WILAYAH
• PETA JARINGAN JALAN
• PETA JARINGAN PELAYANAN ANGKUTAN UMUM/MASSAL
• DATA KEPENDUDUKAN
• DATA SOSIO EKONOMI
DATA PRIMER >>> survai
• Survai HOME INTERVIEW – HI (wawancara rumah tangga)
• Survai ROAD SIDE INTERVIEW – RSI (wawancara tepi jalan)
Survai HI
MENGAPA HOME INTERVIEW?
• 80%-90% dari seluruh perjalanan bermula dan berakhir di rumah, hal ini
disebut HOME-BASED TRIP
• RUMAH→tempat kerja→tempat rekreasi→….→….→Rumah = HOME-
BASED TRIP
• Karakter perjalanan ini (HOME-BASED TRIP) cenderung berulang dan
membentuk suatu pola pergerakan.
• Pada hari yang sama, perjalanan meninggalkan suatu zona juga akan
menjadi perjalanan kembali pada zona tersebut setelah “mampir” di zona
lain. Sehingga, zona produksi perjalanan secara otomatis juga menjadi zona
tarikan perjalanan (akan dikaji pada distribusi perjalanan)
SURVAI HI>>> 7-AN:
• Mendapatkan pola pergerakan penduduk
• Mendapatkan data sebaran perjalanan
• Mengetahui moda-moda yang digunakan dalam melakukan
perjalanan
• Mendapatkan karakteristik sosio-ekonomi pelaku perjalanan (usia,
jenis kelamin, pekerjaan, pendapatan, jumlah anggota keluarga,
pemilikan kendaraan, maksud perjalanan, dll)
Teknik pelaksanaan survai HI
PIKIREN KELEBIHAN DAN KEKURANGANNYA
• Langsung datang ke rumah-rumah sesuai jumlah sampel yang ditetapkan
• Memastikan responden ada di rumah (di luar jam kerja – lapangan kerja formal)
• Datang ke kantor, sekolah, atau tepat bekerja
• Bisa dilakukan selama jam kerja
• Setelah selesai, Validasi ulang kebutuhan sampel tiap zona, terpenuhi atau
belum
• Mengirimkankan kuisioner lewat pos
• Dikhawatirkan banyak yang tidak mengirim balik
• Melalui link online
• Piye??
SAMPEL SURVAI HI
• ATURAN 1
• Bahwa tiap sampel harus mewakili terhadap disitribusi geografis dari populasi
secara keseluruhan. Distribusi sample harus sama dengan distribusi geografis dari
populasi
• ATURAN 2
• Sampel yang diperlukan tergantung kepada besarnya populasi dalam wilayah
studi, dengan acuan
• ATURAN 3
• Suatu sampel kurang dari 30 rumah tangga tidak dapat diterima. Maka, bila suatu
zona lalu lintas hanya memiliki kurang dari 300 rumah tangga, maka sampel 10%
dari populasi tidak akan menghasilkan data yang dapat dipercaya.
• Atau, 1 zona minimal memiliki 300 rumah tangga
• Seluruh zona di d alam wilayah studi harus memiliki ukuran sampel yang sama
BILAMANA TERKENDALA ATURAN 3?
• Artinya, zona lalu lintas tersebut hanya memiliki 300 rumah tangga
• Re-definisi zona lalu lintas anda, pertimbangkan zona-zona lain di
sekitar zona tersebut
• Atau
• Naikkan sampel menjadi 1 dalam 5, dan berlaku untuk seluruh zona
lalu lintas.
ATURAN 1
ATURAN 2
Form survai HI
• Alamat • Perjalanan yang dilakukan; dari
• Jumlah anggota keluarga mana…ke mana….kemudian ke
• Umur mana….dilanjutkan ke mana…
• Jenis kelamin
• Maksud perjalanan
• Pekerjaan
• Jumlah anggota keluarga yang bekerja • Kendaraan yang digunakan
• Tempat bekerja • Waktu tempuh
• Jenis dan jumlah kendaraan yang dimiliki • Jarak
• Pendapatan/bulan dari yang bekerja
• Tempat sekolah bagi anggota keluarga yang
• Biaya transportasi
masih sekolah • DLL BISA DIKEMBANGKAN SESUAI
• Tempat bekerja bagi anggota keluarga yang TUJUAN YANG DIINGINKAN..!!!
bekerja
No Jumlah Perjalanan Family Size Kepemilikan Kendaraan Pendapatan No Jumlah Perjalanan Family Size Kepemilikan Kendaraan Pendapatan
Y x1 x2 x3 41 11 4 3 9,5
1 9 4 3 4,5
42 8 3 2 4
2 11 4 3 7,3
3 7 3 3 3 43 8 4 3 4,5
4 10 4 3 8 44 5 2 2 4,5
5 9 4 3 4,5 45 7 3 2 4,5
6 6 3 2 7,5 46 8 4 2 3,7
7 7 4 3 3 47 8 4 4 8
8 11 4 3 7,5
48 10 4 3 7,5
9 7 3 3 4,5
10 7 3 3 5,3 49 9 3 3 8
11 10 4 3 3 50 6 3 3 4,6
12 8 3 3 7,5 51 8 4 3 4
13 9 3 3 12,5 52 6 3 3 4,2
14 7 3 3 4,5 53 6 2 3 7
15 9 4 3 6
54 8 4 4 7,5
16 6 3 2 4,2
17 9 4 3 6,3 55 8 4 4 3
18 9 4 3 6 56 6 3 2 1,8
19 7 3 3 7,2 57 6 3 3 5,3
20 7 3 2 5,5 58 6 3 2 2
21 10 4 4 10,7 59 8 4 3 7,5
22 9 4 3 6,8
60 6 3 2 3
23 8 3 2 4,5
24 7 3 2 4,7 61 6 3 2 3
25 8 3 2 4,3 62 6 3 2 3
26 10 4 4 12,5 63 12 4 3 6,5
27 7 3 2 3,8 64 6 3 2 3
28 13 5 4 12
65 9 4 4 6,5
29 8 3 2 4,75
30 10 4 4 7,5
66 7 3 2 3
31 8 3 3 12 67 10 3 3 10,5
32 9 4 2 4,5
33 11 4 4 12,5
34 8 4 2 2,1
35 6 2 2 9
36 7 2 2 8,5
37 9 4 2 4
38 8 3 3 9
39 4 2 2 3
40 10 4 3 6,5
Form survai HI
• Di UJI STATISTIK dulu ???
• Hanya form mempertanyakan “kinerja” suatu produk yang perlu diuji

RESPONDEN survai HI
• Setiap anggota keluarga yang berumur 5 tahun atau lebih
• Untuk semua perjalanan yang dilakukan selama 24 jam terakhir
• Perjalanan dari rumah ke kantor, dari kantor ke toKo, dan dilajutkan

dari toko ke rumah dicatat sebagai 3 (TIGA) PERJALANAN yang
BERLAINAN.
KONSEPTUAL ANALISIS DATA
• HARUS KONSISTEN DALAM PENGGUNAAN SATUAN; misalkan
• Satuan keluarga/rumah tangga/kk, MAKA:
• Perjalanan per- keluarga/rumah tangga/kk
• Jumlah anggota keluarga/rumah tangga/kk

• Pendapatan bulanan per-keluarga/rumah tangga/kk
• Kepemilikan kendaraan per-keluarga/rumah tangga/kk
Sumber bahan
• STP 2 : Teknik Analisis Untuk Perencanaan Transpostasi, Pusdiklat
Perhubungan darat, Departemen Perhubungan
• Teknik Analisis Perencanaan Transportasi, Sekolah Tinggi Transportasi
Darat, 2010
• Pedoman Penyusunan Laporan Umum PKL Sekolah Tinggi Transportasi
Darat, 2010
ANALISIS PEMODELAN
• ????
• Variabel terikat (dependent variable)?
• Variabel bebas (INDEPENDENT variable)?
• Jumlah perjalanan, ukuran keluarga, jumlah pendapatan, kepemilikan
kendaraan, usia, jenis kelamin, jenis profesi/pekerjaan, maksud
perjalanan, dll…
No Jumlah Perjalanan Family Size Kepemilikan Kendaraan Pendapatan No Jumlah Perjalanan Family Size Kepemilikan Kendaraan Pendapatan
Y x1 x2 x3 41 11 4 3 9,5
1 9 4 3 4,5
42 8 3 2 4
2 11 4 3 7,3
3 7 3 3 3 43 8 4 3 4,5
4 10 4 3 8 44 5 2 2 4,5
5 9 4 3 4,5 45 7 3 2 4,5
6 6 3 2 7,5 46 8 4 2 3,7
7 7 4 3 3 47 8 4 4 8
8 11 4 3 7,5
48 10 4 3 7,5
9 7 3 3 4,5
10 7 3 3 5,3 49 9 3 3 8
11 10 4 3 3 50 6 3 3 4,6
12 8 3 3 7,5 51 8 4 3 4
13 9 3 3 12,5 52 6 3 3 4,2
14 7 3 3 4,5 53 6 2 3 7
15 9 4 3 6
54 8 4 4 7,5
16 6 3 2 4,2
17 9 4 3 6,3 55 8 4 4 3
18 9 4 3 6 56 6 3 2 1,8
19 7 3 3 7,2 57 6 3 3 5,3
20 7 3 2 5,5 58 6 3 2 2
21 10 4 4 10,7 59 8 4 3 7,5
22 9 4 3 6,8
60 6 3 2 3
23 8 3 2 4,5
24 7 3 2 4,7 61 6 3 2 3
25 8 3 2 4,3 62 6 3 2 3
26 10 4 4 12,5 63 12 4 3 6,5
27 7 3 2 3,8 64 6 3 2 3
28 13 5 4 12
65 9 4 4 6,5
29 8 3 2 4,75
30 10 4 4 7,5
66 7 3 2 3
31 8 3 3 12 67 10 3 3 10,5
32 9 4 2 4,5
33 11 4 4 12,5
34 8 4 2 2,1
35 6 2 2 9
36 7 2 2 8,5
37 9 4 2 4
38 8 3 3 9
39 4 2 2 3
40 10 4 3 6,5
TUGAS
• INSTALL SPSS
REGRESI, jenis-jenis;
• Regresi Linier
• Hubungan antara variabel y dengan satu atau lebih variabel x. Semua variabel datanya kuantitatif.
• Regresi Nonlinier
• Hubungan antara variabel y dan x yang tidak linier. Tidak linier maksudnya laju perubahan y akibat laju
perubahan x tidak konstan untuk nilai-nilai x tertentu
• regresi kuadratik, kubik
• Regresi Dummy
• Hubungan antara variabel y (data kuantitatif) dan variabel x (data kualitatif)
• Misal : Melihat pengaruh kemasan terhadap harga jual makanan. Kita coding 1 jika kemasan menarik dan
0 jika kemasan tidak menarik. 1 dan o adalah variabel dummy
• Regresi Logistik
• Hubungan antara variabel y (data kualitatif) dan variabel x (data kuantitatif).
• Misal : Ingin diketahui apakah konsumen akan membeli makanan di rumah makan berdasarkan penilaian
konsumen terhadap lokasi, pelayanan, pendapatan. Dalam kasus ini hanya ada 2 kemungkinan respon
konsumen, yaitu konsumen membeli (1) dan tidak membeli (0).
http://dokterdewikusumastuti.blogspot.com/2013/07/analisis-regresi.html
REGRESI LINEAR
• Regresi linear sederhana
• Hubungan antara variabel y dengan satu variabel x. Semua variabel
datanya kuantitatif.
• Regresi Linier berganda

• Hubungan antara variabel y dengan satu atau lebih variabel x. Semua
variabel datanya kuantitatif.
multiple regression VS multivariat regression
• PERBEDAAN antara multiple regression dengan multivariat regression;
jika multiple regression atau regresi berganda adalah adanya lebih
dari satu variabel prediktor (variabel bebas/variabel independent)
sedangkan multivariat regression adalah lebih pada adanya LEBIH
DARI SATU variabel terikat/variabel dependent.
Jenis regresi Berganda
• Regresi Linear Berganda
• Regresi Logistik Berganda
• Regresi Ordinal berganda
• Regresi Multinomial Berganda
• Regresi Data Panel Berganda
REGRESI LINEAR (aja)
• Adalah model regresi linear dengan melibatkan satu atau lebih dari
satu variable bebas atau predictor
• Pada dasarnya regresi linear adalah model prediksi atau peramalan
dengan menggunakan data berskala interval atau rasio serta terdapat
lebih dari satu predictor
• Dengan kata lain data yang digunakan adalah data kuantitatif atau
numeric
REGRESI LINEAR
SYARAT ASUMSI KLASIK
• Seperti halnya uji parametris lainnya, maka regresi linear juga
mempunyai syarat atau asumsi klasik yang harus terpenuhi agar
model prediksi yang dihasilkan nantinya bersifat BLUE (Best Linear
Unbiased Estimation).
• Asumsi klasik pada regresi linear berganda antara lain: Data interval
atau rasio, linearitas, normalitas, non outlier, homoskedastisitas, non
multikolinearitas dan non autokorelasi.
https://www.statistikian.com/2018/01/penjelasan-tutorial-regresi-linear-berganda.html
Data Interval atau rasio
• Skala data semua variable terutama variable terikat adalah interval
atau rasio. Asumsi ini tidak perlu diuji, cukup anda pastikan bahwa
data yang digunakan adalah data interval atau rasio (numeric atau
kuantitatif).
Data interval
• Data interval adalah data yang termasuk kelompok data kuantitatif, dimana
berupa angka-angka yang didalamnya dapat dilakukan operasi matematika serta
urutan antara satu data dengan data lainnya mempunyai rentang yang sama.
Misalnya: Nilai ujian, dimana dikatakan berurutan dengan rentang yang sama
yaitu setelah angka 1 kemudian 2 kemudian 3 dst. Serta dikatakan dapat
dilakukan operasi matematika, adalah misalkan: angka 1 dapat dikalikan dengan
angka 2 dan hasilnya adalah 2.
• Data interval tidak mempunyai angka 0 absolut dan 100 absolut secara
bersamaan atau dalam arti lain tidak bisa dipastikan peresentase antara satu data
dengan keseluruhan data. maksudnya 0 absolut misalkan nilai ujian. Secara akal
sehat, tidak mungkin ada nilai ujian kurang dari 0. Sedangkan 100 absolut
misalkan juga nilai ujian, secara akal sehat tidak mungkin ada nilai ujian lebih dari
100. jadi data interval contohnya adalah berat badan, dimana tidak bisa
dipastikan berapa sebenarnya nilai tertinggi berat badan. Bisa jadi orang punya
berat bada puluhan kilo, ratusan atau bahkan ribuan kilo.
Data rasio
• Data rasio adalah data yang sebenarnya sama dengan data interval,
namun bedanya adalah data rasio dapat dibuat persentase karena
ada nilai 0 dan 100 absolut. Seperti yang sudah dibahas di atas, yaitu
misalnya nilai ujian yang mempunyai batasan nilai 0 sampai 100. Jika
seorang siswa mendapatkan nilai 25, dapat diartikan nilai tersebut
adalah 25% dari nilai maksimal 100.
1. Linearitas
• Ada hubungan linear antara variable bebas dengan variable terikat.
Asumsi linearitas diuji dengan uji linearitas regresi, misalnya dengan
kurva estimasi.
• Dengan kurva estimasi kita bisa tentukan ada hubungan linear atau
tidak dengan melihat nilai p value linearitas. Jika p value < 0,05 maka
terdapat hubungan yang linear antara predictor dan response.
2. Non Multikolinearitas
• Multikolinearitas adalah keadaan dimana terdapat interkorelasi atau
korelasi kuat antar variable bebas di dalam model. Dinyatakan ada
interkorelasi jika korelasi antar variable bebas di dalam model regresi linear
berganda > 0,8. Beberapa pakar menggunakan batasan lebih dari 0,9.
• Cara lain yang lebih objektif adalah dengan menggunakan nilai variance
inflating factor (VIF) dan tolerance. Dikatakan ada multikolinearitas jika
nilai VIF > 10 dan/atau nilai tolerance < 0,01.
• Berdasarkan uraian diatas, maka jelas sekali bahwa asumsi
multikolinearitas hanya ada dalam regresi linear berganda dan tidak ada
pada regresi linear sederhana. Sebab pada regresi linear berganda ada
lebih dari satu variabel bebas, sedangkan pada regresi linear sederhana
hanya ada satu variable bebas.
3. Normalitas Residual
• Residual adalah beda antara y dengan y prediksi. Y adalah variable
terikat, sedangkan y prediksi adalah Y hasil persamaan regresi yang
dibuat. Sehingga residual dibangun dengan rumus: y – y prediksi.
• Asumsi normalitas pada regresi linear adalah pada residualnya, bukan
pada data per variabelnya.
• Uji Asumsi normalitas regresi linear dapat diuji dengan berbagai
metode uji normalitas seperti ;uji Shapiro wilk, lilliefors atau
Kolmogorov smirnov, Anderson darling, Ryan joiner, Shapiro francia,
Jarque bera, Skewness kurtosis test dan lain-lain
4. Non OUTLIER
• Outliers adalah data yang menyimpang terlalu jauh dari data yang
lainnya dalam suatu rangkaian data. Adanya data outliers ini akan
membuat analisis terhadap serangkaian data menjadi bias, atau tidak
mencerminkan fenomena yang sebenarnya. Istilah outliers juga sering
dikaitkan dengan nilai esktrem, baik ekstrem besar maupun ekstrem
kecil.
• Outliers sebagai titik ekstrim
• Outliers sebagai titik yang “jauh” dari trendline
http://widhiarso.staff.ugm.ac.id/files/Berurusan%20dengan%20Outliers.pdf
5. Homoskedastisitas
• Homoskedastisitas adalah sebuah kondisi dimana varians dari error
bersifat konstan atau tetap. Dengan kata lain bahwa varians dari error
bersifat identic untuk setiap pengamatan.
• Kebalikan dari homoskedastisitas adalah heteroskedastisitas. Model
regresi linear berganda yang baik adalah model yang bebas dari
kondisi heteroskedastisitas.
• Untuk menguji homoskedastisitas regresi linear berganda, dapat
digunakan uji homoskedastisitas dari glejser, uji park, uji white,
spearman heteroskedastisitas, dan masih banyak uji lainnya.
6. Non Autokorelasi
• Autokorelasi dapat diartikan bahwa terdapat korelasi antar waktu. Sehingga bisa
diartikan dengan mudah bahwa autokorelasi ini sering terjadi pada regresi linear
dengan data time series atau runtun waktu. Dan jarang sekali terjadi pada data
cross section.
• Data runtun waktu ini misalnya data jumlah rumah tangga dari tahun 2012 sd
2017.
• Sedangkan data cross section, misalnya data hasil dari kuesioner yang disebarkan
pada semua responden survai HI, dimana hanya diukur satu kali saja.
• Gejala Autokorelasi akan ditemukan pada penelitian yang menggunakan data
time series. Sedangkan pada data cross section, uji autokorelasi tidak perlu
dilakukan.
• Uji autokorelasi ini bisa diuji dengan menggunakan nilai Durbin Watson (DW)
https://www.statistikian.com/2018/01/penjelasan-tutorial-regresi-linear-berganda.html
https://mjurnal.com/cara-uji-asumsi-klasik-menggunakan-spss/
MIS-PERSEPSI
• Ada beberapa kesalahan klasik yang sering terjadi pada para peneliti yang masih
awal belajar untuk meneliti. Terutama yang masih awal berkenalan dengan
regresi linear. Yaitu: lebih dulu melakukan uji asumsi klasik baru kemudian
melakukan uji regresi linear.
• Seharusnya, dari sekian banyak asumsi yang ada dalam regresi linear berganda,
hanya asumsi linearitas yang harus dilakukan terlebih dulu. Dan uji linearitas
regresi hanya dilakukan jika tujuan dari dibuatnya model regresi adalah untuk
membentuk model terbaik.
• Sedangkan jika tujuannya untuk sekedar menjawab hipotesis, maka asumsi
linearitas ini bisa diabaikan.
• Asumsi multikolinearitas bisa dilakukan sebelum uji regresi, sebab yang
digunakan adalah data per variable. Sedangkan asumsi yang lainnya haruslah
setelah dilakukan uji regresi. Alasannya adalah: uji normalitas, outlier,
homoskedastisitas dan autokorelasi menggunakan nilai error atau residual
sebagai parameternya.
1. LINEARITAS
LINIERITAS HUBUNGAN ANTAR VARIABEL

• Pada kasus tertentu, linieritas hubungan tidak menjadi persyaratan uji
statistik korelasi maupun regresi. Misalnya, dalam analisis statistika
terhadap subjek penelitian, komputasi koefisien korelasi dan persamaan
regresi pada data sampel akan selalu valid untuk menggambarkan
hubungan linier yang ada serta memakainya untuk prediksi pada data
sampel yang bersangkutan (Azwar, 2000).
• Istilah subjek penelitian banyak dipakai ketika peneliti hendak meneliti
sekumpulan individu tanpa digeneralisasikan pada populasi tertentu. Selain
subjek penelitian, ada sekumpulan individu yang dinamakan dengan
sampel penelitian yang ditarik secara random dari populasi, sehingga hasil
analisis digeneralisasikan pada populasi tersebut. Dalam kasus penggunaan
sampel dalam penelitian, korelasi dan regresi menghendaki berlakunya
beberapa asumsi (Azwar, 2000).
1. LINEARITAS
Bagaimana dengan pemodelan pada tahap

Bangkitan Perjalanan?
• Pemodelan pada bangkitan perjalanan didapat dari data sampel yang
diambil dari populasi tertentu.
• Sehingga, pemodelan matematis pada bangkitan perjalanan
menghendaki berlakunya asumsi klasik.
1. LINEARITAS
Konsep Linieritas dan Korelasi

• Terdapat hubungan erat antara pengertian korelasi dan linieritas.
Korelasi Pearson, misalnya, menunjukkan adanya kekuatan hubungan
linier dalam dua variabel. Sekalipun demikian jika asumsi normalitas
salah maka nilai korelasi tidak akan memadai untuk membuktikan
adanya hubungan linieritas. Linieritas artinya asumsi adanya
hubungan dalam bentuk garis lurus antara variabel.
• Dalam praktinya kadang data yang digunakan akan menghasilkan
korelasi tinggi tetapi hubungan tidak linier; atau sebaliknya korelasi
rendah tetapi hubungan linier. Dengan demikian agar linieritas
hubungan dipenuhi, maka data yang digunakan harus mempunyai
distribusi normal. Dengan kata lain, koefisien korelasi hanya
merupakan statistik ringkasan sehingga tidak dapat digunakan sebagai
sarana untuk memeriksa data secara individual.
1. LINEARITAS
KORELASI adl hubungan antar variabel

⚫ Koefisien korelasi;Untuk dua variable biasa ditulis dengan huruf kecil (r) dan
untuk lebih dari dua variable biasa ditulis dengan huruf besar (R). Atau, juga
biasa disebut dengan MULTIPLE R (excel)
⚫ 3 hal dalam korelasi :
⚫ Kekuatan hubungan
⚫ Signifikansi hubungan
⚫ Arah hubungan
⚫ Metode analisis korelasi

⚫ Pearson product moment (data harus berskala interval atau rasio)
https://www.jonathansarwono.info/korelasi/korelasi.htm
1. LINEARITAS
KORELASI: KEKUATAN HUBUNGAN

• Berguna untuk mengukur kekuatan (strength) dan arah hubungan
hubungan antar dua variabel atau lebih.
• Pengukuran hubungan antar variabel untuk masing-masing kasus
akan menghasilkan keputusan, diantaranya: a) Hubungan kedua
variabel tidak ada; b) Hubungan kedua variabel lemah; c) Hubungan
kedua variabel cukup kuat; d) Hubungan kedua variabel kuat; dan e)
Hubungan kedua variabel sangat kuat.
• Penentuan tersebut didasarkan pada kriteria yang menyebutkan jika
hubungan mendekati 1, maka hubungan semakin kuat; sebaliknya jika
hubungan mendekati 0, maka hubungan semakin lemah
KORELASI: KEKUATAN & ARAH HUBUNGAN 1. LINEARITAS
• Koefisien Korelasi akan selalu berada di dalam Range -1 ≤ r ≤ +1

• Apabila Nilai Koefisien Korelasi mendekati +1 (positif Satu) berarti pasangan data
Variabel X dan Variabel Y memiliki Korelasi Linear Positif yang kuat/Erat. Perubahan
salah satu Nilai Variabel diikuti perubahan Nilai Variabel yang lainnya secara teratur
dengan arah yang sama. Jika Nilai Variabel X mengalami kenaikan, maka Variabel Y
akan ikut naik. Jika Nilai Variabel X mengalami penurunan, maka Variabel Y akan ikut
turun.
• Apabila Nilai Koefisien Korelasi mendekati -1 (Negatif Satu) maka hal ini menunjukan
pasangan data Variabel X dan Variabel Y memiliki Korelasi Linear Negatif yang
kuat/erat. Perubahan salah satu Nilai Variabel diikuti perubahan Nilai Variabel yang
lainnya secara teratur dengan arah yang berlawanan. Jika Nilai Variabel X mengalami
kenaikan, maka Variabel Y akan turun. Jika Nilai Variabel X mengalami penurunan,
maka Nilai Variabel Y akan naik.
• Apabila Nilai Koefisien Korelasi mendekati 0 (Nol) berarti pasangan data Variabel X
dan Variabel Y memiliki korelasi yang sangat lemah atau berkemungkinan tidak
berkorelasi.
KORELASI: KEKUATAN & ARAH HUBUNGAN
1. LINEARITAS
“CENDERUNG LINEAR POSITIF”
“CENDERUNG LINEAR NEGATIF”
“APAKAH LINEAR…..???” r Kriteria Hubungan

0 Tidak ada Korelasi
0 – 0.5 Korelasi Lemah
0.5 – 0.8 Korelasi sedang
0.8 – 1 Korelasi Kuat / erat
1 Korelasi Sempurna
1. LINEARITAS
KORELASI: KEKUATAN & ARAH HUBUNGAN
Terdapat dua arah korelasi, yaitu searah dan tidak searah. Arah korelasi dilihat dari angka koefesien
korelasi. Jika koefesien korelasi positif, maka hubungan kedua variabel searah. Searah artinya jika
variabel X nilainya tinggi, maka variabel Y juga tinggi. Jika koefesien korelasi negatif, maka
hubungan kedua variabel tidak searah. Tidak searah artinya jika variabel X nilainya tinggi, maka
variabel Y akan rendah.
r2 = 1.00 r = 1.00 r2 = 1.00 r = - 1.00
positif sempurna negatif sempurna
r2 = .81 r = .9 r2 = .81 r = -.9 r2 = 0.0 r = 0.0

kuat positif tidak berkorelasi
kuat negatif
SIGNIFIKANSI hasil analisis korelasi 1. LINEARITAS
• Apa sebenarnya signifikansi itu? Dalam bahasa Inggris umum, kata, "significant"
mempunyai makna penting; sedang dalam pengertian statistik kata tersebut
mempunyai makna “benar” tidak didasarkan secara kebetulan. Hasil riset dapat
benar tapi tidak penting.
• Signifikansi / probabilitas / α memberikan gambaran mengenai bagaimana hasil
riset itu mempunyai kesempatan untuk benar. Jika kita memilih signifikansi
sebesar 0,05, maka artinya kita menentukan hasil riset nanti mempunyai
kesempatan untuk benar sebesar 95% dan untuk salah sebesar 5%. 95% itu
disebut tingkat kepentingan (confidence interval); sedang 5% disebut toleransi
kesalahan.
• SIGNIFIKANSI korelasi adalah melihat signifikansi hubungan dua variabel dengan
didasarkan pada angka signifikansi yang dihasilkan dari penghitungan dengan
ketentuan di atas. Interpretasi ini akan membuktikan apakah hubungan kedua
variabel tersebut signifikan atau tidak.
→ dengan table R
• Akan dianggap signifikan jika r hitung ( atau R hitung) lebih besar atau sama
dengan r tabel
• Lihat nilai R Tabel pada probabilitas atau batas kritis tertentu, dimana yang lazim
digunakan adalah nilai 0,05. Serta lihat pula berapa nilai DF (degree of freedom)
atau derajat kebebasan.
• Dalam uji korelasi produk momen, nilai DF = N – 2. Dimana N adalah besarnya
sampel. jika sampel sejumlah 30 misalnya, maka DF = 30 – 2 = 28.
• Selanjutnya lihat kembali berapakah nilai R Tabel pada probabilitas atau alpha
0,05 dan DF 28! Itulah nilai Tabel R anda.
TABEL R yang mana 1. LINEARITAS
yang akan anda gunakan? 1 arah atau 2 arah?

1. LINEARITAS
Kapan uji 1-arah, kapan uji 2-arah?

• Uji 2-arah digunakan apabila peneliti tidak memiliki informasi
mengenai arah kecenderungan dari karakteristik populasi yang
sedang diamati.
• Sedangkan uji 1-arah digunakan apabila peneliti memiliki informasi
mengenai arah kecenderungan dari karakteristik populasi yang
sedang diamati.
https://ineddeni.wordpress.com/
1. LINEARITAS
Menentukan uji ; 1 arah atau 2 arah

• Kasus 1: Seorang peneliti ingin mengetahui rata-rata uang saku mahasiswa
Univ X perbulan. Menurut isu yang berkembang, rata-rata uang saku yang
dimiliki mahasiwa univ X LEBIH BESAR DARI Rp. 500 ribu/bulan. Untuk itu
dilakukan penelitian dengan mengambil 50 sampel mahasiswa secara acak.
• pada kasus 1 terdapat kata LEBIH BESAR DARI. Coba bayangkan sebuah
garis lurus horizontal. Dan letakkan titik 500 ribu di tengah2nya. Kata LEBIH
BESAR DARI mengandung informasi bahwa pada garis horizontal tersebut,
rata-rata uang saku mahasiswa Univ X terletak diantara titik 500ribu ke
arah kanan.
• pada kasus 1 terdapat 1 kecenderungan arah (ke kanan). Oleh karena itu,
uji yang tepat untuk kasus 1 adalah uji 1-arah (pada H1 menggunakan
tanda pertidaksamaan LEBIH BESAR, H0 “≤”)
https://ineddeni.wordpress.com
1. LINEARITAS
• Pengujian dua arah adalah pengujian terhadap suatu hipotesis yang
belum diketahui arahnya, apakah positif atau negative. Atau dengan kata
lain hanya untuk mengetahui ada atau tidaknya hubungan antar variabel
• Jadi jika kita sudah mengetahui arah dari hubungan antara dua variabel,
maka kita harus menggunakan pengujian satu arah apakah positif atau
negatif
http://mediaspss.blogspot.com
• Pengujian dua arah adalah pengujian terhadap suatu hipotesis yang belum
diketahui arahnya. Misalnya ada hipotesis, ‘diduga ada pengaruh signifikan
antara variabel X terhadap Y’. Hipotesis tersebut harus diuji dengan pengujian
dua arah.
• Sedangkan hipotesis yang berbunyi, ‘diduga ada pengaruh positif yang
signifikan antara variabel X terhadap Y’. Nah, hipotesis tersebut harus diuji
dengan pengujian satu arah.
• Bedanya apa? Lihat saja kedua hipotesis tersebut, ada kata positif dan tidak ada
kata positif.
https://skripsimahasiswa.blogspot.com
→ dengan table T
Pengambilan keputusan menggunakan angka pembanding t tabel dengan kriteria sebagai berikut:
· Jika t hitung > t table H0 ditolak; H1 diterima
· Jika t hitung < t table H0 diterima; H1 ditolak
Kriteria ini hanya berlaku untuk nilai t hitung yang positif (+).
Contoh: Hubungan antara kepuasan kerja dengan loyalitas pegawai
Hipotesis berbunyi sbb:

H0: Tidak ada hubungan antara kepuasan kerja dengan loyalitas pegawai
H1: Ada hubungan antara kepuasan kerja dengan loyalitas pegawai
Sebagai contoh hasil t hitung sebesar 3,6 . T table dengan ketentuan α= 0,05 Degree of freedom: n-2, dan n = 30
diketemukan sebesar: 2,048. Didasarkan ketentuan di atas, maka t hitung 3,6 > t table 2,048. Dengan demikian H0 ditolak
dan H1 diterima. Artinya ada hubungan antara kepuasan kerja dengan loyalitas pegawai
1. LINEARITAS
1 tailed atau 1 arah
TABEL T
2 tailed atau 2 arah
1. LINEARITAS
UJI LINEARITAS; CARA LAINNYA

• Strategi untuk memverifikasi hubungan linier juga dapat dilakukan
dalam beberapa cara, misalnya melalui
• scatter plot
• ANOVA (analysis of variance)
• curve estimation
• analisis residual
http://widhiarso.staff.ugm.ac.id/files/Widhiarso%20-%20Uji%20Linieritas%20Hubungan%202010.pdf
1. LINEARITAS
UJI LINEARITAS; scatter plot

• pada menu, pilih Chart Builder, pada Tab Gallery pilih Scatter/Dot,
Masukkan X ke Axis X dan Masukkan Y ke Axis Y, kemudian tekan OK.
• Lihat pada output: Jika plot-plot yang ada mengikuti garis fit line,
maka terdapat hubungan linear.
• Cara pengujian dengan metode grafik seperti ini memberikan
interprestasi dan tentunya kesimpulan yang sangat bervariatif antar
orang yang melakukan interprestasi, sehingga sangat subjektif. Oleh
karenanya pengujian ini tidak dianjurkan.
UJI LINEARITAS; scatter plot 1. LINEARITAS
Disimpulkan bahwa hubungan antara X dan Y lebih bersifat

kuadratik dibanding dengan linier.
SPSS juga menunjukkan bahwa penerapan model linier

menjelaskan hubungan X dan Y sebesar 23.7 persen (RSq
Linear=0.237) sedangkan penerapan model kuadratik akan
menjelaskan sebesar 72persen (RSq Linear=0.720).
1. LINEARITAS
UJI LINEARITAS; ANOVA (analysis of variance)

• Buka aplikasi SPSS anda dan isikan data dengan skala data interval
atau numerik
• Pada menu, klik Analyze, Compare Means, Means. Isikan Y ke kotak
Dependent List dan Isikan X ke kotak Independen List.
• Klik Tombol Options dan centang Test of Linearity.
1. LINEARITAS

Interprestasinya adalah:
lihat kolom Sig. pada baris Linearity di Table
Anova, jika nilainya < 0,05 maka bersifat linear
sehingga dapat disimpulkan memenuhi syarat
linearitas.
ATAU
lihat kolom Sig. pada baris Deviation from
Linearity di Table Anova, jika nilainya > 0,05 maka
bersifat linear sehingga dapat disimpulkan
memenuhi syarat linearitas.
1. LINEARITAS

• Pada table ANOVA;
• LINEARITY menunjukkan sejauh mana jika variable dependen
diprediksi berbaring persis digaris lurus. Jika hasilnya signifikan
(p<0.05) maka model linier cocok diterapkan pada hubungan model
tersebut
• DEVIATION FROM LINEARITY menunjukkan seberapa jauh model kita
menyimpang dari model linier. Kalau hasilnya tidak signifikan (p>0,05)
maka model kita dapat dikatakan linier.
1. LINEARITAS
UJI LINEARITAS; curve estimation

• Khusus untuk 1 variable bebas (X) dan 1 variable terikat (Y)
• Dengan membandingkan R square (R2)
• Pada SPSS; ANALYZE – REGRESSION – CURVE ESTIMATION. Masukkan
variable dependen pada kolom dependen dan variable independent
pada kolom independen
UJI LINEARITAS; curve estimation 1. LINEARITAS
Hasil output menunjukkan bahwa model kubik dan kuadratik lebih

tepat diterapkan kepada model hubungan antar variable yang dianalisis
dibanding dengan model linier. Nilai R‐kuadrat paling besar dan
signifikan (p<0.05) adalah Kuadratik dgn R‐kuadrat = 31% dan kubik dgn
R‐kuadrat = 33%
Running model curve satu demi satu akan

menjelaskan secara lebih mendalam. Karena setiap
kurva yang dihasilkan akan selalu diiringi dengan
masing-masing nilai R-kuadratnya
R SQUARE (R^2 atau R2 atau r^2 atau 2
r)
• R Square ini dikenal dengan nama Koefisien determinasi Berganda.
• Fungsinya adalah untuk mengukur kebaikan-suai (goodness of fit) dari
persamaan regresi; yaitu memberikan proporsi atau persentase
variasi total dalam variabel terikat yang dijelaskan oleh variabel
bebas.
• Nilai R2 terletak antara 0 – 1, dan kecocokan model dikatakan lebih
baik kalau R2 semakin mendekati 1.
2. MULTIKOLINEARITAS
Uji multikolinearitas
• Uji multikolinearitas adalah uji yang dilakukan untuk memastikan
apakah di dalam sebuah model regresi ada interkorelasi atau
kolinearitas antar variabel bebas.
• Interkorelasi adalah hubungan yang linear atau hubungan yang kuat
antara satu variabel bebas atau variabel prediktor dengan variabel
prediktor lainnya di dalam sebuah model regresi. Interkorelasi itu
dapat dilihat dengan nilai koefisien korelasi antara variabel bebas,
nilai VIF (Variance Inflation Factor) dan Tolerance serta nilai
Eigenvalue dan Condition Index. Dimana, nilai VIF dan Tolerance serta
nilai Eigenvalue adalah yang paling popular digunakan.
https://www.statistikian.com/2016/11/uji-multikolinearitas.html
http://statistik4life.blogspot.com/2009/12/blog-post.html
Uji multikolinearitas
• pada menu, klik analyze -> regression -> linear -> selanjutnya
masukkan variabel prediktor ke kolom Independents, variabel
response ke kolom Dependent.
• Klik tombol statistics dan pastikan bahwa anda mencentang
Collinearity Diagnostics dan Descriptives, kemudian tekan tombol
Continue.
4
5
Uji multikolinearitas:
koefisien korelasi antara variabel bebas
OUTPUT :
Misalnya, hasil korelasi antara variabel bebas X1

dengan X3 adalah sebesar r = 0,220. Karena nilai 0,220
tersebut kurang dari 0,8 maka gejala multikolinearitas
tidak terdeteksi.
Uji multikolinearitas: nilai VIF dan Tolerance

• Pada tabel yang sama di atas sebagai hasil uji regresi linear, perhatikan nilai
VIF (Variance Inflation Factor) dan Tolerance. Keduanya adalah indikasi kuat
yang sering dipakai oleh para peneliti untuk menyimpulkan fenomena
terjadinya interkorelasi variabel bebas. Jika nilai VIF < 10 dan atau nilai
Tolerance > 0,01 maka dapat disimpulkan dengan tegas bahwa tidak
terdapat masalah multikolinearitas (Hair et al dalam Prayitno, 2009)
Uji multikolinearitas:
nilai Eigenvalue dan Condition Index
• Pada tabel collinearity diagnostics di atas sebagai hasil uji regresi
linear, kita perhatikan juga nilai eigenvalue dan condition index. Jika
Eigenvalue lebih dari 0,01 dan atau Condition Index kurang dari 30,
maka dapat disimpulkan bahwa gejala multikolinearitas tidak terjadi
di dalam model regresi.
3. NORMALITAS
UJI NORMALITAS
• Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk menilai
sebaran data pada sebuah kelompok data atau variabel, apakah sebaran data
tersebut berdistribusi normal ataukah tidak.
• Berdasarkan pengalaman empiris beberapa pakar statistik, data yang
banyaknya lebih dari 30 angka (n > 30), maka sudah dapat diasumsikan
berdistribusi normal. Biasa dikatakan sebagai sampel besar.
• Namun untuk memberikan kepastian data yang dimiliki berdistribusi normal atau
tidak, sebaiknya digunakan uji normalitas. Karena belum tentu data yang lebih
dari 30 bisa dipastikan berdistribusi normal, demikian sebaliknya data yang
banyaknya kurang dari 30 belum tentu tidak berdistribusi normal, untuk itu perlu
suatu pembuktian. uji statistik normalitas yang dapat digunakan diantaranya Chi-
Square, Kolmogorov Smirnov, Lilliefors, Shapiro Wilk, Jarque Bera.
• Dalam regresi linear, uji normalitas dilakukan pada nilai residual
3. NORMALITAS
Uji Normalitas Kolmogorov Smirnov dengan SPSS.

• Uji kolmogorov smirnov memang uji yang paling populer, tapi sebenarnya
uji tersebut mempunyai sedikit kelemahan, yaitu reliable atau handal pada
pengujian dengan sampel besar > 200.
• Dasar Pengambilan Keputusan Uji Normalitas
• Jika nilai sig (signifikansi) > 0,05 maka terima Ho –> data berdistribusi
normal.
• Jika nilai sig (signifikansi) < 0,05 maka tolak Ho –> data berdistribusi
tidak normal.
https://coretantoni.wordpress.com/2015/02/12/uji-normalitas-dengan-kolmogorov-smirnov-spss/
3. NORMALITAS

• Masukkan data dalam SPSS. Kemudian, buat variabel unstandardized residual.
caranya; pilih menu Analyze – Regression – Linear – masukkan variabel Y ke
Dependent, masukkan variabel X1, X2, X3 ke Independent
• Selanjutnya Klik Save – pada bagian Residuals, centang (V) Unstandardized
(abaikan kolom yang lain) – klik Continue – klik OK.
• maka akan muncul di menu data view sebuah variabel baru RES_1 (abaikan
OUTPUT)
• Selanjutnya kita lakukan uji Kolmogorov-Smirnov dengan cara pilih menu
Analyze, lalu pilih Non-parametric Test, Legacy Dialogs-pilih submenu 1-Sample
K-S.
• Masukkan variabel unstandardized residual ke kotak Test Variable List. Pada Test
Distribution centang (V) normal (default). Klik OK untuk mengakhiri. Maka akan
terlihat output
https://coretantoni.wordpress.com/2015/02/12/uji-normalitas-dengan-kolmogorov-smirnov-spss/
3. NORMALITAS
3
3. NORMALITAS
3. NORMALITAS
3. NORMALITAS
3. NORMALITAS
• Interpretasi Output.
• Berdasarkan uji normalitas dengan Kolmogorov-Smirnov Test diperoleh
sebesar 0,080 dan Asymp.sig. sebesar 0,200 lebih besar dari 0,05.
• Karena nilai sig lebih besar dari 0,05, maka keputusannya adalah
menerima Ho yang berarti bahwa data berdistribusi normal.
• Berarti asumsi normalitas data terpenuhi.
3. NORMALITAS
Uji Normalitas Shapiro-Wilk dengan SPSS.

• Masukkan data dalam SPSS. Kemudian, buat variabel unstandardized
residual. caranya; pilih menu Analyze – Regression – Linear – masukkan
variabel Y ke Dependent, masukkan variabel X1, X2, X3 ke Independent
• Selanjutnya Klik Save – pada bagian Residuals, centang (V) Unstandardized
(abaikan kolom yang lain) – klik Continue – klik OK.
• maka akan muncul di menu data view sebuah variabel baru RES_1.
• Selanjutnya kita lakukan uji Shapiro-Wilk dengan cara pilih menu Analyze,
lalu pilih Descriptive statistics, explore, masukkan variabel unstandardized
residual ke kotak Variable List.
• Pada kotak display, klik “both”, kemudian klik plots, centang normality plots
with test, kemudian continue, dan klik OK untuk melakukan proses.
https://www.bilsonsimamora.com/blog/2017/08/23/uji-normalitas-residual/
3. NORMALITAS
3. NORMALITAS
Uji Normalitas Shapiro-Wilk dengan SPSS.
Untuk menentukan apakah data anda berdistribusi normal menggunakan shapiro wilk, maka pada SPSS cukup anda lihat
nilai Sig. pada kolom Shapiro-Wilk. Nilai sig itu berarti signifikansi atau boleh disebut p value atau nilai probabilitas. Pada
contoh di atas nilainya sebesar 0,276 lebih dari (>) 0,05, maka dapat dikatakan data berdistribusi Normal atau yang berarti
menerima H0.
https://www.statistikian.com/2013/02/uji-normalitas-pada-spss.html
3. NORMALITAS
Uji Normalitas Lilliefors dengan SPSS.
Hampir sama dengan Shapiro Wilk di atas, cara interprestasinya adalah dengan melihat nilai Sig. pada kolom Kolmogorov-
Smirnova. Pada contoh di atas nilainya 0,200 lebih dari (>) 0,05, maka data berdistribusi Normal atau yang berarti
menerima H0.
https://www.statistikian.com/2013/02/uji-normalitas-pada-spss.html
4. OUTLIER
DETEKSI OUTLIER
• Outliers adalah data yang menyimpang terlalu jauh dari data yang
lainnya dalam suatu rangkaian data. Adanya data outliers ini akan
membuat analisis terhadap serangkaian data menjadi bias, atau tidak
mencerminkan fenomena yang sebenarnya. Istilah outliers juga sering
dikaitkan dengan nilai esktrem, baik ekstrem besar maupun ekstrem
kecil.
• Outliers sebagai titik ekstrim
• Outliers sebagai titik yang “jauh” dari trendline
http://widhiarso.staff.ugm.ac.id/files/Berurusan%20dengan%20Outliers.pdf
4. OUTLIER
DETEKSI OUTLIER: titik yang “jauh” dari

trendline
• Tekan analyse→regression→masukkan nomor pada kotak dependent dan
variabel yang diuji korelasinya pada kotak independent→Tekan Save. Pilih (V)
kotak Mahalobis, Cook’s dan Leverage→tekan continue → OK
• Keterangan :
• 1. Cook’s Distance : ukuran pengaruh subyek pada model. Nilai Cook’s >1
adalah subyek outliers
• 2. Mahal’s Distance : ukuran jarak nilai subyek dari garis yang dikehendaki. Makin
jauh jarak dari pusat garis korelasi, makin jelek dia bukan? Untuk jumlah
sampel 30 (N=30), nilai di atas 11 perlu dipertimbangkan untuk di del,
sedangkan N=100, nilai di atas 15 yang di del (Barnet dan Lewis, 1978)
• Disarankan, 2 subyek yang nilainya yang paling besar dan ekstrem yang di del.
• 3. Leverage Distance : nilai yang mendekati 1 saja yang di del
• Disarankan, Mahal’s Distance kemudian Cook’s distance kemudian leverage’s
distance
4. OUTLIER
4
5
6
7
4. OUTLIER
ABAIKAN OUTPUT, lihat

hasil di DATA VIEW
DI DELETE
atau, copy paste di excel

dan sort BERDASARKAN
nilai MAH_1
4. OUTLIER
DETEKSI OUTLIER: Z score

• Gunakan DESCRIPTIVE STASTISTIC untuk menghitung Z score
• Data dikatakan outlier (terpencil) bila Z score < -3 atau Z score > +3
• Atau, bila Z score < -2,5 atau Z score > +2,5
https://maglearning.wordpress.com/2019/02/27/skor-standar-z-score-untuk-screening-data-dan-regresi/
http://waikabo.blogspot.com/2015/04/memriksa-data-outlier-menggunakan.html
http://www.portal-statistik.com/2015/04/cara-mendeteksi-data-outlier-dengan-spss.html
4. OUTLIER
DETEKSI OUTLIER: Z score

• Tekan menu analyse→descriptive statitstics→ descriptives.
• Masukkan data yang hendak diidentifikasi (y, x1, x2, x3) pada
kotak variables
• Centang (V) “save standardized values as variabels
• Tekan OK
• Abaikan output, lihat di DATA VIEW
4. OUTLIER
4. OUTLIER
COPY PASTE KE EXCEL UNTUK SORT OUTLIER YANG AKAN DIHAPUS GUNAKAN FUNGSI IF UNTUK SORT DATA
4. OUTLIER
4. OUTLIER
DETEKSI OUTLIER: selesai SORT dan DEL

• Sampai di sini kita sudah berhasil mengeluarkan outlier. Apa yang
harus kita lakukan selanjutnya? yaitu ulangi regresi linear berganda
seperti langkah pertama, kemudian cek ulang apakah masih ada
outlier. Jika sudah tidak ada, tentunya lihat dan nilai apakah ada
masalah asumsi klasik lainnya. Jika ada, maka pandai-pandailah untuk
mengatasinya
• Biasanya hasil regresinya akan lebih bagus dari yang belum diuji
dengan outlier tadi (R square semakin naik)
5. HETEROSKEDASTISITAS
Uji Heteroskedastisitas
• Heteroskedastisitas adalah kebalikan dari homoskedastisitas, yaitu
keadaan dimana terjadinya ketidaksamaan varian dari error untuk
semua pengamatan setiap variabel bebas pada model regresi.
Sebaliknya, pengertian homoskedastisitas adalah keadaan dimana
adanya kesamaan varian dari error untuk semua pengamatan setiap
variabel bebas pada model regresi.
• uji yang menilai apakah ada ketidaksamaan varian dari residual untuk
semua pengamatan pada model regresi linear.
• Apabila asumsi heteroskedastisitas tidak terpenuhi, maka model
regresi dinyatakan tidak valid sebagai alat peramalan
Uji Heteroskedastisitas: Glejser 5. HETEROSKEDASTISITAS
• Uji Glejser dilakukan dengan cara meregresikan antara variabel independen dengan nilai ABSolut RESidualnya (ABS_RES).
Jika nilai signifikansi antara variabel independen dengan absolut residual > 0,05 maka tidak terjadi masalah
heteroskedastisitas.
• Inputkan data di SPSS
• Langkah pertama yaitu mencari nilai unstandardized residual, caranya klik Analyze >> Regression >> Linear >> Pada kotak
dialog Linear Regression, masukkan Y ke kotak Dependent, kemudian masukkan variabel X1, X2, X3 ke kotak Independent >>
Klik tombol Save, selanjutnya akan terbuka kotak dialog ‘Linear Regression: Save’
• Pada Residuals, beri tanda centang (V) pada ‘Unstandardized’. Kemudian klik tombol Continue. Akan kembali ke kotak dialog
sebelumnya, klik tombol OK. Abaikan hasil output SPSS, Anda buka data view, disini akan bertambah satu variabel yaitu
residual (RES_1).
• Selanjutnya, mencari nilai absolute residual dari nilai residual di atas, caranya klik menu Transform >> Compute Variable.
• Pada kotak Target Variable, merupakan nama variabel baru yang akan tercipta. Ketikkan ABS_RES. Kemudian klik pada kotak
Numeric Expression, lalu ketikkan ABS( lalu masukkan variabel Unstandardized Residual (RES_1) ke kotak Numeric
Expression dengan klik tanda penunjuk, kemudian ketik tanda tutup kurung. Maka lengkapnya akan tertulis ABS(RES_1),
perintah ini untuk menghitung nilai absolute dari residual. Jika sudah klik tombol OK. Muncul variable baru bernama
ABS_RES pada data view
• Selanjutnya meregresikan nilai variabel independen dengan absolute residual. Caranya klik Analyze >> Regression >> Linear.
• Masukkan variabel ABS_RES ke kotak Dependent, kemudian masukkan varibel x1, x2 dan x3 ke kotak Independents.
Selanjutnya klik tombol OK.
http://duwiconsultant.blogspot.com/2011/11/uji-heteroskedastisitas.html
3
Tidak di (V)
Uji Heteroskedastisitas: Glejser
Dari output di atas dapat diketahui bahwa nilai signifikansi ketiga variabel
independen > 0,05. Dengan demikian dapat disimpulkan bahwa tidak terjadi
masalah heteroskedastisitas pada model regresi.
Uji Heteroskedastisitas
• Uji Heteroskedastisitas lainnya:
• PARK
• SPEARMAN
• WHITE
• DIPELAJARI SENDIRI
6. AUTOKORELASI
UJI AUTOKORELASI
• Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya
penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi
antara residual pada satu pengamatan dengan pengamatan lain pada
model regresi.
• Yang dimaksud dengan Autokorelasi adalah “hubungan antara nilai-
nilai yang dipisahkan satu sama lain dengan jeda waktu tertentu”.
• Metode pengujian untuk mendeteksi adanya masalah atau asumsi
autokorelasi, antara lain: Breusch Godfrey, Durbin Watson dan Durbin
Watson H.
https://www.statistikian.com/2017/01/uji-autokorelasi-dengan-spss.html
6. AUTOKORELASI
UJI Autokorelasi
• Autokorelasi dapat diartikan bahwa terdapat korelasi antar waktu. Sehingga bisa
diartikan dengan mudah bahwa autokorelasi ini sering terjadi pada regresi linear
dengan data time series atau runtun waktu. Dan jarang sekali terjadi pada data
cross section.
• Data runtun waktu ini misalnya data jumlah rumah tangga dari tahun 2012 sd
2017.
• Sedangkan data cross section, misalnya data hasil dari kuesioner yang disebarkan
pada semua responden survai HI, dimana hanya diukur satu kali saja.
• Gejala Autokorelasi akan ditemukan pada penelitian yang menggunakan data
time series. Sedangkan pada data cross section, uji autokorelasi tidak perlu
dilakukan.
https://mjurnal.com/cara-uji-asumsi-klasik-menggunakan-spss/
6. AUTOKORELASI
UJI AUTOKORELASI: DURBIN WATSON (DW)

• Metode pengujian yang sering digunakan adalah dengan uji Durbin-Watson
(uji DW) dengan ketentuan sebagai berikut:
• Jika d-hitung < dL atau d-hitung > (4-dL) maka H0 ditolak, yang berarti
terdapat autokorelasi.
• Jika d-hitung terletak antara dU dan (4-dU) maka H0 diterima, yang berarti
tidak ada autokorelasi.→ dU < d-hitung < (4-dU)
• Jika d-hitung terletak antara dL dan dU → dL < d-hitung < dU
atau diantara (4-dU) dan (4-dL) → (4-dU) < d-hitung < (4-dL)
maka tidak menghasilkan kesimpulan yang pasti.
https://swanstatistics.com/uji-autokorelasi-dengan-spss/
6. AUTOKORELASI

CONTOH : DATA TIME SERIES
http://duwiconsultant.blogspot.com/2011/11/uji-normalitas-regresi.html
6. AUTOKORELASI

• Input data, pilih Analyze, lalu klik Regression, selanjutnya klik Linear
• Akan muncul kotak dialog dengan nama Linear Regression, maka
masukkan variabel Y ke Dependent, masukkan variabel X1, X2 dan X3
ke Independent(s), lalu klik Statistics
• Muncul kotak dengan nama Linear Regression: Statistics, pada bagian
ini lalu centang Durbin Watson, setelah itu pilih Continue, kemudian
klik OK
6. AUTOKORELASI
6. AUTOKORELASI
5
6. AUTOKORELASI
nilai DW hitung (d-hitung) = 1,527. Berdasarkan Tabel DW dengan n (atau T) =15 dan jumlah variabel bebas (k) =
3 (kalau dengan intercept berarti k=3+1=4), maka nilai dL dan dU berturut-turut sebesar 0,8140 dan 1,7501.
MAKA (4-dL)= 4,000-0,8140=0,3186 dan (4-dU)= 4,000-1,7501. =2,2499
Dengan demikian dapat dL < d-hitung < dU yaitu sebesar 0,8140 < 1,527 < 1,7501 sehingga disimpulkan tidak
menghasilkan kesimpulan yang pasti
Y = variable terikat/dependent variable

a = intercept/konstanta regresi
X = predictor/variavel bebas/in-dependent variable
b = koefisien regresi
6. AUTOKORELASI
UJI ASUMSI yang HARUS DIPENUHI
https://www.statistikian.com/2017/01/uji-asumsi-klasik-regresi-linear-spss.html
TUGAS KELOMPOK
• MEMODELKAN BANGKITAN PERJALANAN LENGKAP DENGAN UJI
ASUMSI YANG DIBUTUHKAN
• DATA AKAN DIBAGIKAN
Ini duluan : REGRESI LINEAR SEDERHANA
KOEFISIEN KORELASI
Rumus Pearson Product Moment
Atau, a = ẏ - bẋ
Y = Variabel Response atau Variabel Akibat (Dependent)

X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)
a = konstanta
b = koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh Predictor.
CONTOH : Regresi Linear (Sederhana)
n= X Y X*Y X^2 Y^2
1 1 4 4 1 16
2 2 10 20 4 100
3 3 12 36 9 144
4 4 17 68 16 289
5 5 22 110 25 484
Ʃ 15 65 238 55 1033
ẋ 3 nilai x rata-rata
ẏ 13 nilai y rata-rata
n= 5 banyaknya data (banyaknya sampel wawancara)
X= ukuran rumah tangga
Y= jml perjalanan
maka:
uji linearitas =
r= 0,991721 0,991721 =pearson(…)
( r hitung)
r tabel = 0,8783 (ɑ=0,05) CROSSCHECK
r hitung ≥ r tabel = terdapat hub. Signifikan antara X dan Y X Y = 0,1 + 4,3X Y awal
r^2= 0,983511 0,983511 =rsq(…) 1 4,4 4
a= 0,1 a = 0,1 ATAU; a = ẏ ‐ bẋ 2 8,7 10
b= 4,3 3 13 12
4 17,3 17
JADI; Y = a + bX 5 21,6 22
Y = 0,1 + 4,3X dengan r^2= 0,983511
Uji r → 2 arah … :
TUGAS RLS→ KERJAKAN TULIS TANGAN & DIHITUNG
SOAL 1
APABILA :
X= ukuran rumah tangga
MANUAL
SOAL 2
APABILA pada 5th kedepan, hasil survai HI
menunjukkan ukuran keluarga berubah,
Y= jml perjalanan maka tentukan :
n= sampel ke- 1. bangkitan perjalanan tiap sampel
dari hasil survai HI diketahui bahwa 2. total bangkitan perjalanan seluruh sampel
n X Y
n X Y=…?
1 2 3
1 5
2 3 5
2 8
3 2 5
3 5
4 4 9
4 8
5 3 5
5 4
6 2 4 6 4
7 4 9 7 6
8 4 8 8 5
9 2 3 9 7
10 3 5 10 5
ƩY= …...
MAKA
1. tentukan bangkitan perjalanan total
2. tentukan nilai r
3. uji SIGNIFIKANSI hub. X dan Y
4. tentukan nilai r^2
5. tentukan nilai a
6. tentukan nilai b
7. bangun persamaan regresinya
8. analisis dengan scatter, lengkap!
METODE LEAST SQUARE
Apabila hanya memiliki 1 jenis data time series, misalnya data perjalanan per tahun, data penumpang per tahun, data
penjualan tiket per tahun, data okupansi per tahun, BIOP per tahun, dan lain-lain. Juga bisa dalam satuan bulan,
tergantung konteks permasalahan
Υ = a +bX
Dimana :
Υ = Besarnya nilai yang diramal
a = Trend pada periode dasar
b = tingkat perkembangan nilai yang diramal
X = Unit waktu yang dihitung dari periode dasar
1. Metode titik tengah sebagai tahun dasar (ΣX = 0)

2. Metode Nol Bebas (ΣX ≠ 0)
https://dounkey.com/2017/09/23/kuadrat-terkecil/
METODE LEAST SQUARE:
Metode titik tengah sebagai tahun dasar (ΣX = 0)
Dalam metode ini, jumlah X harus sama dengan nol, sehingga nilai a dan b menggunakan rumus berikut
Dengan titik tengah sebagai tahun dasar, maka nilai X pada titik tengah tersebut akan bernilai nol.
Hanya saja, ada sedikit perbedaan untuk menentukan titik tengah pada data yang berjumlah ganjil
dan genap
Jadi, peramalan pada th 2017 adalah :

Y = 1.280 + 70X
= 1.280 + 70(3)
= 1.490
Nilai X=3 karena yang ingin diramal

adalah data tahun 2017, jadi jika
diperhatikan pada tabel, nilai x untuk
tahun 2017 sebesar 3.
Υ = a +bX
Y = 1.280 + 70X
Metode titik tengah sebagai tahun dasar (ΣX = 0)
Pada data genap, karena data tengah berada di tengah-tengah antara tahun 2013 dan 2014, maka otomatis nilai nol berada di
tengah kedua data tersebut. Sehingga loncatan dari nilai X tersebut adalah kelipatan 2.
Jadi, peramalan pada th 2017 adalah :

Y = 1.250 + 32,86X
= 1.250 + 32,86(7)
= 1.480,02
Nilai X=7 karena yang ingin diramal

adalah data tahun 2017, jadi jika
diperhatikan pada tabel, nilai x untuk
tahun 2017 sebesar 7.
Υ = a +bX
Y = 1.250 + 32,86X
Metode Nol Bebas (ΣX ≠ 0)
Pada metode nol bebas, jumlah skala X (ΣX) adalah bebas, berbeda dengan metode titik tengah yang skala X nya harus nol.
Metode nol bebas berlaku jika ditentukan suatu tahun dasar dalam suatu periode.
Υ = a +bX
Y = 1.350 + 70X
Jadi, peramalan pada th
2017 adalah :
Y = 1.350 + 70X
= 1.350 + 70(2)
= 1.490
Nilai X=2 karena yang

ingin diramal adalah data
tahun 2017, jadi jika
Tahun 2015 karena ditetapkan sebagai tahun dasar. diperhatikan pada tabel,
Jika dilihat pada data diatas, karena ΣX ≠ 0, maka nilai x untuk tahun 2017
rumus yang dipakai untuk menghitung a dan b adalah sebesar 2.
rumus metode nol bebas. Sehingga didapatkan :
TUGAS LEAST SQUARE → KERJAKAN TULIS TANGAN &
DIHITUNG MANUAL
Dengan metode least square, Ramalkan jumlah
Jumlah penumpang
penumpang pada 1989 s.d 1993
Boleh dibaca :
• https://www.statistikian.com/2018/01/penjelasan-tutorial-regresi-linear-
berganda.html
• https://www.statistikian.com/2012/10/pengertian-data.html
• https://www.statistikian.com/2012/08/interprestasi-output-regresi-dalam-
excel.html
• https://teknikelektronika.com/pengertian-analisis-korelasi-sederhana-
rumus-pearson/
• https://www.statistikian.com/2012/08/interprestasi-output-regresi-dalam-
excel.html
• https://www.statistikian.com/2012/08/analisis-regresi-dalam-excel.html
SEBARAN PERJALANAN
TRIP DISTRIBUTION
• Menyatakan pembagian atau distribusi perjalanan antar zona atau
daerah. Model ini sudah menyatakan bentuk matrik asal tujuan.
Banyaknya Produksi
Perjalanan pada ZONA 1
Banyaknya Tarikan
Perjalanan pada ZONA 1
PETA GARIS KEINGINAN
DESIRE LINE
MATRIK ASAL TUJUAN (MATRIK AT)
MATRIK ORIGIN-DESTINATION (MATRIK OD)
• TUJUAN :
• ANALISIS TERHADAP JUMLAH SEBARAN PERJALANAN SAAT INI

Data OD sampel → OD populasi (EKSPANSI DATA)
Model matematik analisis sebaran perjalanan
• ANALISIS TERHADAP JUMLAH SEBARAN PERJALANAN TAHUN
RENCANA SESUAI HASIL PERAMALAN/FORECASTING TERHADAP
JUMLAH BANGKITAN PERJALANAN TAHUN RENCANA (misal, 5tahun ke
depan)
EKSPANSI DATA
• Data OD SAMPEL >>> data OD POPULASI
𝐴
{𝐴 − 𝐵 ∗ 𝐶 + 𝐷 }
𝐹𝐴𝐾𝑇𝑂𝑅 𝐸𝐾𝑆𝑃𝐴𝑁𝑆𝐼 =
{𝐵 − 𝐶 − 𝐷}
• A : jumlah seluruh bangunan rumah ATAU jumlah jumlah seluruh KK

• B : jumlah seluruh bangunan rumah ATAU jumlah jumlah seluruh KK yang
terpilih sebagai sampel
• C : jumlah seluruh bangunan rumah ATAU jumlah jumlah seluruh KK yang
TIDAK terpilih sebagai sampel
• D : banyaknya bangunan rumah ATAU sejumlah KK yang tidak menanggapi
atau menolak atau kosong
Model MATEMATIK analisis sebaran
perjalanan
• Model faktor partumbuhan
Menggunakan tingkat pertumbuhan perjalanan dari setiap zona, baik saat
ini maupun masa yang akan datang
• Model synthetic
Hukum-hukum fisika khususnya hukum gravitasi digunakan untuk membuat
model penyebaran perjalanan, baik di masa sekarang atau di masa datang
• Model empiris
Faktor-faktor yang diketahui berpengaruh dalam membuat perjalanan
digunakan untuk membuat model penyebaran perjalanan, misalnya regresi
linear berganda
MODEL FAKTOR PERTUMBUHAN
Sejumlah perjalanan “T” dari zona “i” menuju ke zona “j”
Keterangan :
Tid = Peramalan perjalanan ( masa mendatang )
tid = Perjalanan existing ( masa sekarang )
Ei = Faktor pertumbuhan pada zona asal
Ej = Faktor pertumbuhan pada zona tujuan
Oi = Jumlah pergerakan zona asal ( tahun rencana )
oi = Jumlah pergerakan zona asal ( masa sekarang )
Dj = Jumlah pergerakan zona tujuan ( tahun rencana )
dj = Jumlah pergerakan zona tujuan ( masa sekarang )
Menghitung Produksi Perjalanan (Pi) dan
Tarikan Perjalanan (Aj)
MATRIK OD (sampel) EKSISTING (PERJALANAN/HARI)
O/D 1 2 3 4 Pi
1 0 83 470 240 793 P1 = 0+83+470+240 TG1=(793+791)/2 792
2 75 0 367 190 632 P2 = 75+0+367+190 TG2=(632+631)/2 631,5
3 417 364 0 1529 2310 P3 = 417+364+0+1529 TG3=(2310+2331)/2 2320,5
4 299 184 1494 0 1977 P4 = 299+184+1494+0 TG4=(1977+1959)/2 1968
Aj 791 631 2331 1959 ƩTG= 5712
total Pi= 5712 TG= Trip Generation
A1 = 0+75+417+299 total Aj= 5712
A2 = 83+0+364+184 total perjalanan = 5712
A3 = 470+367+0+1494
A4 = 240+190+1529+0
EKSPANSI DATA
OD sampel → OD populasi
A= 400
B= 40
C= 360
D= 10
FE = 10 Faktor Ekspansi
Hasil ekspansi data
MATRIK OD (populasi) EKSISTING (PERJALANAN/HARI)
O/D 1 2 3 4 Pi
1 0 830 4700 2400 7930 TG1= (7930+7910)/2 7920
2 750 0 3670 1900 6320 TG2= (6320+6310)/2 6315
3 4170 3640 0 15290 23100 ZONA CBD YANG MANA? TG3= (23100+23310)/2 23205
4 2990 1840 14940 0 19770 TG4= (19770+19590)/2 19680
Aj 7910 6310 23310 19590 ƩTG= 57120
total Pi= 57120 TG= Trip Generation
total Aj= 57120
total perjalanan = 57120
Tij (populasi) = Tij (sampel) * FE

T12 (populasi) = 83*10 T31 (populasi) = 417*10
HOME BASED TRIP MODEL
• BERDASARKAN HASIL SURVAI HI+RSI EKSISTING, Pada hari yang sama, perjalanan
meninggalkan suatu zona juga akan menjadi perjalanan kembali pada zona
tersebut setelah “mampir” di zona lain. Sehingga, zona produksi perjalanan
secara otomatis juga menjadi zona tarikan perjalanan.
• Akibatnya, nilai produksi perjalanan dan tarikan perjalanan memiliki selisih yang
kecil, tetapi memiliki total yang sama
• Sehingga mengakibatkan total Prduksi Perjalanan = total Tarikan Perjalanan =
total Perjalanan
• TETAPI
• Pada saat memprediksi bangkitan perjalanan tahun rencana (TG') dengan
menggunakan model, dalam tekniknya, produksi perjalanan tahun rencana (Pi')
dan tarikan perjalanan tahun rencana (Aj') diberikan nilai yang sama dari hasil
model tersebut sehingga total perjalanan akan tetap sama
Menghitung Pi’ & Aj’
menggunakan model bangkitan perjalanan tiap zona
TEKNIK 1 menggunakan model bangkitan perjalanan tiap zona
MENGHITUNG Pi' dan AJ'
O/D 1 2 3 4 Pi Pi' misalkan, pada 5 tahun kedepan :
1 0 7930 9963,1 y1=4.1X1+0.1 x1 = 243 * 10 = 2430 y1'= 9963,1
2 0 6320 8064,2 y2=4.2X2+0.2 x2 = 192 * 10 = 1920 y2'= 8064,2
3 0 23100 25929,3 y3=4.3X3+0.3 x3 = 603 * 10 = 6030 y3'= 25929,3
4 0 19770 21648,4 y4=4.4X4+0.4 x4 = 492 * 10 = 4920 y4'= 21648,4
Aj 7910 6310 23310 19590 (FE)
Aj' 9963,1 8064,2 25929,3 21648,4 y= banyaknya perjalanan yang dibangkitkan
number of TRIP GENERATED
X= banyaknya rumah tangga di zona
menggunakan model bangkitan perjalanan wilayah studi
TEKNIK 2 menggunakan model bangkitan perjalanan wilayah studi
O/D 1 2 3 4 Pi Pi' misalkan, pada 5 tahun kedepan :
1 0 7930 10935,5 y=4.5X+0.5 x1 = 2430 y1'= 10935,5
2 0 6320 8640,5 x2 = 1920 y2'= 8640,5
3 0 23100 27135,5 x3 = 6030 y3'= 27135,5
4 0 19770 22140,5 x4 = 4920 y4'= 22140,5
Aj 7910 6310 23310 19590
Aj' 10935,5 8640,5 27135,5 22140,5 y= banyaknya perjalanan yang dibangkitkan
number of TRIP GENERATED
X= banyaknya rumah tangga di zona
menggunakan compounding factor
TEKNIK 3 menggunakan compounding factor
O/D 1 2 3 4 Pi Pi'
1 0 7930 10120,91 Pt = Po*(1+i)^n Pt atau Pi' = jumlah bangkitan perjalanan tahun rencana
2 0 6320 8066,099 Pi' = Pi*(1+i)^n Po atau Pi = jumlah bangkitan perjalanan tahun eksisting
3 0 23100 29482,1 i= tingkat pertumbuhan perjalanan per tahun
4 0 19770 25232,09 n= tahun rencana
Aj 7910 6310 23310 19590
Aj' 10120,91 8066,099 29482,1 25232,09 misal i= 0,05 5 persen per tahun
n= 5 tahun
maka P1' = 10120,913 = A1' = y1'

P2' = 8066,0995 = A2' = y2'
P3' = 29482,104 = A3' = y3'
P4' = 25232,086 = A4' = y4'
MEMPREDIKSI DISTRIBUSI PERJALANAN
metode FAKTOR PERTUMBUHAN SERAGAM
MATRIK OD EKSISTING SETELAH DIHITUNG Pi, Pi' dan E (Faktor Iterasi)
O/D 1 2 3 4 Pi Pi' E
1 0 830 4700 2400 7930 9963,1 1,2563808 E= Pi'/Pi
2 750 0 3670 1900 6320 8064,2 1,275981
3 4170 3640 0 15290 23100 25929,3 1,1224805
4 2990 1840 14940 0 19770 21648,4 1,0950126
CELL MATRIK OD EKSISTING SETELAH DI-ITERASI MENGGUNAKAN E

O/D 1 2 3 4 Pi Pi' E APABILA E = 1
1 0 1042,796 5904,99 3015,314 9963,1 9963,1 1
2 956,9858 0 4682,85 2424,364 8064,2 8064,2 1 Maka nilai distribusi perjalanan dinayatakan
3 4680,744 4085,829 0 17162,73 25929,3 25929,3 1 seimbang/stabil
4 3274,088 2014,823 16359,49 0 21648,4 21648,4 1
HITUNGAN TIAP CELL
T12 = 830 * 1,256381 = 1042,796
T13 = 4700 * 1,275981 = 5904,99
T14 = 2400 * 1,122481 = 3015,314
T21 = 750 * 1,275981 = 956,9858
T23 = 3670 * 1,275981 = 4682,85
T24 = 1900 * 1,275981 = 2424,364
T31 = 4170 * 1,122481 = 4680,744
T32 = 3640 * 1,122481 = 4085,829
T34 = 15290 * 1,122481 = 17162,73
T41 = 2990 * 1,095013 = 3274,088
T42 = 1840 * 1,095013 = 2014,823
T43 = 14940 * 1,095013 = 16359,49
metode FAKTOR PERTUMBUHAN RATA-RATA
MATRIK OD EKSISTING SETELAH DIHITUNG Pi', Aj' dan Ei, Ej
O/D 1 2 3 4 Pi Pi' Ei
1 0 830 4700 2400 7930 9963,1 1,256381 Ei= Pi'/Pi
2 750 0 3670 1900 6320 8064,2 1,275981 Ej= Aj'/Aj
3 4170 3640 0 15290 23100 25929,3 1,122481 Eij= (Ei+Ej)/2
4 2990 1840 14940 0 19770 21648,4 1,095013
Aj 7910 6310 23310 19590
Aj' 9963,1 8064,2 25929,3 21648,4
Ej 1,259558 1,278003 1,1123681 1,105074
CELL MATRIK OD EKSISTING SETELAH DI-ITERASI MENGGUNAKAN Ei DAN Ej
ITERASI 1
O/D 1 2 3 4 Pi Pi' Ei
1 0 1051,769 5566,5599 2833,746 9452,075 9963,1 1,054065
2 950,827 0 4382,6206 2262,002 7595,45 8064,2 1,061715
3 4966,549 4368,88 0 17029,65 26365,08 25929,3 0,983471
4 3520,082 2183,175 16489,134 0 22192,39 21648,4 0,975487
Aj 9437,459 7603,824 26438,315 22125,4
Aj' 9963,1 8064,2 25929,3 21648,4
Ej 1,055697 1,060545 0,9807471 0,978441
Tij'= Tij*Eij atau Tji'= Tij*{(Ei+Ej)/2}

T12 = 830 * 1,256381 + 1,259558 / 2= 1051,769
T13 = 4700 * 1,256381 + 1,278003 / 2= 5566,56
T14 = 2400 * 1,256381 + 1,112368 / 2= 2833,746
T21 = 750 * 1,275981 + 1,259558 / 2= 950,827
T23 = 3670 * 1,275981 + 1,112368 / 2= 4382,621
T24 = 1900 * 1,275981 + 1,105074 / 2= 2262,002
ITERASI 2
O/D 1 2 3 4 Pi Pi' Ei
1 0 1112,041 5663,4513 2879,802 9655,295 9963,1 1,031879
2 1006,646 0 4475,6673 2307,418 7789,732 8064,2 1,035235
3 5063,815 4465,032 0 16705,34 26234,19 25929,3 0,988378
4 3574,969 2222,507 16128,307 0 21925,78 21648,4 0,987349
Aj 9645,431 7799,58 26267,426 21892,56
Aj' 9963,1 8064,2 25929,3 21648,4
Ej 1,032935 1,033927 0,9871276 0,988847
dan seterusnya sehinga Ei=Ej=1 atau angkanya sudah tidak berubah lagi
artinya distribusi perjalanan sudah stabil/seimbang
ITERASI KE-N
O/D 1 2 3 4 Pi Pi' Ei
1 0 1211,409 5751,5378 3000,153 9963,1 9963,1 1
2 1098,675 0 4556,009 2409,516 8064,2 8064,2 1
3 5148,741 4541,827 0 16238,73 25929,3 25929,3 1
4 3715,683 2310,963 15621,753 0 21648,4 21648,4 1
Aj 9963,1 8064,2 25929,3 21648,4
Aj' 9963,1 8064,2 25929,3 21648,4
Ej 1 1 1 1
TEKNIK ITERASI MENGUNAKAN MACRO (SEMI OTOMATIS)

tahapan:
1. buat matrik OD dan model iterasinya
2. copy paste matrik OD tersebut di bawahnya
3. koreksi/cek formula pad matrik OD yang baru
4. VIEW-->MACRO-->RECORD MACRO
5. copy paste special value cell matrik baru ke cell matrik lama
6. VIEW-->MACRO-->STOP RECORDING
7. HIT YOUR COMBINATION BUTTON
TUGAS
• Simulasi distribusi perjalanan menggunakan Teknik iterasi

v3 Perencanaan Transportasi PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

v3 Perencanaan Transportasi PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

PERENCANAAN

• KONDISI DULU, SAAN INI DAN DI MASA YANG AKAN DATANG

• LINGKARAN SETAN….. VISCOUS CIRCLE…..

Meningkatnya Peningkatan nilai

• Mobilitas >>> banyaknya pergerakan/perjalanan

Setiap zona mempunyai bangkitan (production) dan

Bila Utilitas 0 ( Bus – Mobil Pribadi) probabilitas pemilihan

Setiap zona mempunyai bangkitan (production) dan

• Hanya form mempertanyakan “kinerja” suatu produk yang perlu diuji

• Perjalanan dari rumah ke kantor, dari kantor ke toKo, dan dilajutkan

• Perjalanan per- keluarga/rumah tangga/kk

• Jumlah anggota keluarga/rumah tangga/kk

• Regresi Linier berganda

LINIERITAS HUBUNGAN ANTAR VARIABEL

Bagaimana dengan pemodelan pada tahap

Konsep Linieritas dan Korelasi

KORELASI adl hubungan antar variabel

⚫ Metode analisis korelasi

KORELASI: KEKUATAN HUBUNGAN

• Koefisien Korelasi akan selalu berada di dalam Range -1 ≤ r ≤ +1

“CENDERUNG LINEAR POSITIF”

“CENDERUNG LINEAR NEGATIF”

“APAKAH LINEAR…..???” r Kriteria Hubungan

r2 = 1.00 r = 1.00 r2 = 1.00 r = - 1.00

positif sempurna negatif sempurna

r2 = .81 r = .9 r2 = .81 r = -.9 r2 = 0.0 r = 0.0

yang akan anda gunakan? 1 arah atau 2 arah?

Kapan uji 1-arah, kapan uji 2-arah?

Menentukan uji ; 1 arah atau 2 arah

Contoh: Hubungan antara kepuasan kerja dengan loyalitas pegawai

Hipotesis berbunyi sbb:

UJI LINEARITAS; CARA LAINNYA

UJI LINEARITAS; scatter plot

Disimpulkan bahwa hubungan antara X dan Y lebih bersifat

SPSS juga menunjukkan bahwa penerapan model linier

UJI LINEARITAS; ANOVA (analysis of variance)

UJI LINEARITAS; ANOVA (analysis of variance)

UJI LINEARITAS; ANOVA (analysis of variance)

UJI LINEARITAS; curve estimation

Hasil output menunjukkan bahwa model kubik dan kuadratik lebih

Running model curve satu demi satu akan

Misalnya, hasil korelasi antara variabel bebas X1

Uji multikolinearitas: nilai VIF dan Tolerance

Uji Normalitas Kolmogorov Smirnov dengan SPSS.

Uji Normalitas Kolmogorov Smirnov dengan SPSS.

Uji Normalitas Kolmogorov Smirnov dengan SPSS.

Uji Normalitas Shapiro-Wilk dengan SPSS.

Uji Normalitas Shapiro-Wilk dengan SPSS.

Uji Normalitas Lilliefors dengan SPSS.

DETEKSI OUTLIER: titik yang “jauh” dari

ABAIKAN OUTPUT, lihat

atau, copy paste di excel

DETEKSI OUTLIER: Z score

DETEKSI OUTLIER: Z score

DETEKSI OUTLIER: selesai SORT dan DEL

Uji Heteroskedastisitas: Glejser

UJI AUTOKORELASI: DURBIN WATSON (DW)

UJI AUTOKORELASI: DURBIN WATSON (DW)

UJI AUTOKORELASI: DURBIN WATSON (DW)

UJI AUTOKORELASI: DURBIN WATSON (DW)

MAKA (4-dL)= 4,000-0,8140=0,3186 dan (4-dU)= 4,000-1,7501. =2,2499

Y = variable terikat/dependent variable

Y = Variabel Response atau Variabel Akibat (Dependent)

Tij'= TijEij atau Tji'= Tij{(Ei+Ej)/2}