GAYATRI PRIYAMITRA WIDITYA

Soal Latihan No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Jawaban: a. Korelasi Korelasi antara Traffic-jam Index dengan Motorcycle Descriptive Statistics Mean TRAFFICJ AM MOTOR 48.43 2475.93 Std. Deviation 25.269 1842.156 N 30 30 City Kaimana Mataram Palembang Palu Kendari Solo Semarang Poso Banjarmasin Malang Jakarta Merauke Samarinda Yogyakarta Bandung Jayapura Medan Surabaya Ambon Kupang Pontianak Timika Manukwari Pekanbaru Makasar Padang Balikpapan Lampung Salatiga Denpasar Traffic-jam Index 19 32 65 20 34 65 64 20 40 70 96 23 43 80 98 23 45 95 23 23 23 23 24 45 45 54 62 75 46 78 Motorcycle (units) 342 242 2677 964 1643 4043 2235 242 2843 2243 6875 1793 2456 4664 9086 1129 3143 2453 1153 1350 1432 1532 1571 1943 2453 2543 2778 3240 1980 3230 Car (units) 2577 14000 27195 18654 15432 28263 25432 3004 15874 28620 65360 18951 16434 31471 96398 3284 18643 34322 8434 9652 11490 12232 12743 20068 21493 22055 25786 25560 19780 28543

GAYATRI PRIYAMITRA WIDITYA

Correlations TRAFFICJ AM MOTOR TRAFFICJAM Pearson 1 .796(**) Correlation Sig. (2-tailed) . .000 N 30 30 MOTOR Pearson .796(**) 1 Correlation Sig. (2-tailed) .000 . N 30 30 ** Correlation is significant at the 0.01 level (2-tailed).

Pembahasan: r= 0,796 Nilai r adalah positif dan kuat jadi bisa disimpulkan bahwa hubungan antara traffic jam dengan motorcycle adalah kuat dan positif. Jadi semakin banyak jumlah motor yang ada disuatu kota maka akan mempengaruhi kemacetan di dalam kota tersebut.

Korelasi antara Traffic-jam Index dengan Car Descriptive Statistics Mean TRAFFICJ AM CAR 48.43 Std. Deviation 25.269 N 30 30

22725.0 18350.368 0 Correlations TRAFFICJ AM

CAR .806(**) .000 30 1 . 30

TRAFFICJAM Pearson Correlation Sig. (2-tailed) N CAR Pearson Correlation Sig. (2-tailed) N

1 . 30 .806(**) .000 30

GAYATRI PRIYAMITRA WIDITYA

** Correlation is significant at the 0.01 level (2-tailed). Pembahasan: r= 0.806 Nilai r adalah positif dan kuat jadi bisa disimpulkan bahwa hubungan antara traffic jam dengan car adalah kuat dan positif. Jadi semakin banyak jumlah mobil yang ada disuatu kota maka akan mempengaruhi kemacetan di dalam kota tersebut.

b. Regresi Variables Entered/Removed(b) Variables Variables Entered Removed Method CAR, MOTOR( . Enter a) a All requested variables entered. b Dependent Variable: TRAFFICJAM Model Summary Std. Error Mode Adjusted of the l R R Square R Square Estimate 1 .815(a) .664 .639 15.180 a Predictors: (Constant), CAR, MOTOR Pembahasan: r= 0,815 positif dan kuat keterkaitannya r2= 0,664 kuat pengaruh independen variabel terhadap dependen variabelnya Adjusted R square memiliki nilai yang tinggi berarti semakin baik model regresinya Nilai Std. Error of the Estimate= 15,180, nilainya termasuk besar sehingga ketepatan untuk memprediksi variable dependen semakin kecil. Mode l 1

GAYATRI PRIYAMITRA WIDITYA

ANOVA(b) Model 1 Sum of Squares Df Regressi 12295.77 2 on 7 Residual 6221.589 27 Total 18517.36 29 7 a Predictors: (Constant), CAR, MOTOR b Dependent Variable: TRAFFICJAM Pembahasan: F hitung= 26,680 Fhitung > Ftabel, artinya Ho ditolak, jadi persamaan multiple regresinya signifikan sehinga persamaan tersebut dapat menjadi alat prediksi dan estimasi. Jadi dapat menprediksi tingkat kemacetan yang disebabkan oleh motor dan mobil untuk masa depan, karena ada hubungan yang kuat antara kemacetan dengan jumlah motor dan mobil di suatu kota. Mean Square 6147.889 230.429 F 26.680 Sig. .000(a)

Coefficients(a) Unstandardized Coefficients Std. B Error Standardized Coefficients Beta T 4.608 .334 .493 1.052 1.551 Sig. .000 .302 .132

Model 1

(Consta 21.641 4.697 nt) MOTO .005 .004 R CAR .001 .000 a Dependent Variable: TRAFFICJAM

Pembahasan: Persamaan untuk prediksi, yaitu dengan masing-masing explanatory variable menjadi 100. Y= a + b1 . X1 + b2 . X2 Y= 21,641 + 0,005 . 100 + 0,001 . 100 Y= 21,641 + 0,5 + 0,1 Jadi Y= 22,241