1 / 37

ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA

ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA. PENTINGNYA ANALISIS HUBUNGAN.

gianna
Download Presentation

ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA

  2. PENTINGNYA ANALISIS HUBUNGAN Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu seperti mendapat keringanan pajak, memperoleh kredit, meminjam uang, serta minta pertolongan/bantuan lainnya.

  3. Seperti kita ketahui, pada semua kejadian, baik kejadian ekonomi maupun lainnya, pasti ada faktor yang menyebabkan terjadinya kejadian-kejadian tersebut (merosotnya hasil penjualan tekstil mungkin disebabkan karena kalah bersaing dengan tekstil impor, merosotnya produksi padi mungkin karena pupuknya berkurang, dan lain sebagainya)

  4. Uraian slide tadi menunjukkan adanya hubungan(korelasi) antara kejadian yang satu dengan kejadian lainnya. Kejadian itu dapat dinyatakan dengan perubahan nilai variabel. Hubungan antara dua kejadian dapat dinyatakan dengan hubungan dua variabel. Di dalam bab ini kita hanya membahas hubungan linear antara dua variabel X dan Y. Apabila dua variabel X dan Y mempunyai hubungan, maka nilai variabel X yang sudah diketahui dapat dipergunakan untuk memperkirakan/menaksir Y. Peramalan pada dasarnya merupakan perkiraan/taksiran mengenai terjadinya suatu kejadian.

  5. Variabel Y yang nilainya akan diramalkan disebut varibel tidak bebas, sedangkan varibel X yang nilainya dipergunakan untuk meramalkan nilai Y disebut variabel bebas atau variabel peramal dan seringkali disebut variabel yang menerangkan. Jadi, jelas analsis korelasi ini memungkinkan kita untuk mengetahui sesuatu di luar hasil penyelidikan. Salah satu cara untuk melakukan peramalan adalah dengan menggunakan garis regresi.

  6. KOEFISIEN KORELASI DAN KEGUNAANNYA Hubungan dua variabel ada yang positif dan negatif. Hubungan X dan Y dikatakan positif apabila kenaikan (penurunan) X pada umumnya diikuti oleh kenaikan (penurunan) Y. Sebalinya dikatakan negatif kalau kenaikan (penurunan) X pada umumnya diikuti oleh penurunan (kenaikan) Y.

  7. Koefisien korelasi (x dan y) mempunyai hubungan positif

  8. Koefisien korelasi (x dan y) mempunyai hubungan negatif

  9. Jadi, kalau variabel X dan Y ada hubungan, maka bentuk diagram pencarnya adalah mulus/teratur. Apabila bentuk diagram pencar tidak teratur, artinya kenaikan/penurunan X pada umumnya tidak diikuti oleh naik turunnya Y, maka dikatakan X dan Y tidak berkorelasi. Kuat dan tidaknya hubungan antara X dan Y apbila dapat dinyatakan dengan fungsi linear(paling tidak mendekati), diukur dengan suatu nialai yang disebut koefisien korelasi. Nilai koefisien korelasi ini paling sedikit –1 dan apling besar 1. Jadi jika r = koefiaien korelasi, maka r dapat dinyatakan sebagai berikut : -1 r  1

  10. Jika r =1, hubungan X dan Y sempurna dan positif, r = -1, hubungan X dan Y sempurna dan negatif, r mendekati 1, hubungan sangat kuat dan positif, r mendekati –1, hubungan sangat kuat dan negatif. Disini X dikatakan mempengaruhi Y, jika berubahnya nilai X akan menyebabkan perubahan nilai Y Akan tetapi, naik turunnya Y adalah sedemikian rupa sehingga nilai Y bervariasi, tidak semata-mata disebabkan oleh X, karena masih ada faktor lain yang menyebabkannya. Jadi untuk mengatahui berapa besar kontribusi dari X terhadap naik turunnya nilai Y maka harus dihitung dengan koefisien penentuan.

  11. Kalau koefisien penentuan ditulis KP, maka untuk menghitung KP digunakan rumus berikut : KP = r2.  Cara menghitung r adalah sebagai berikut:

  12. atau Kedua rumus diatas disebut koefisien korelasi Pearson

  13. KOEFISIEN KORELASI DATA BERKELOMPOK Rumus untuk menghitung koefisien korelasi yang sudah dibahas sebelumnya adalah untuk data yang tidak berkelompok (data yang belum disajikan dalam bentuk tabel frekuensi, dengan menggunakan kelas-kelas atau katagori-katagori). Untuk data yang berkelompok rumusnya adalah sebagai berikut :

  14. Rumus untuk menghitung koefisen korelasi bagi data berkelompok penting sekali sebab dalam praktek, misalnya di dalam suatu penelitian, hasil data yang diperoleh sudah disajikan dalam bentuk data berkelompok dengan interval kelas yang sama.

  15. Tabel 7.9

  16. Tabel 7.10

  17. Tabel 7.12

  18. Prosedur pembuatan tabel korelasi (distribusi frekuensi dua variabel) adalah sbb: 1. Menentukan jangkauan kedua variabel (var. X dan Y) r = Data terbesar – Data terkecil 2. Menentukan banyaknya kelas kedua var. tsb. k = 1 + 3,322 log n 3. Menentukan panjang interval kelas kedua var. tsb i = 4. Menentukan batas bawah kelas pertama dari kedua var. itu Batas bawah kelas pertama diambil dari data terkecil atau data terkecil hasil pelebaran jangkauan 5. Menempatkan kelas untuk var. X pada kolom tabel dan kelas untuk var. Y pada baris tabel

  19. Penyelesaian: 1. Jangkauan variabel X = 96 – 17 = 79 Jangkauan variabel Y = 2.048 – 424 = 1.624 2. Jumlah kelas : k = 1 + 3,322 log 50 = 1 + 3,322 (1,699) = 1 + 5,6 = 6,6 = 7 (dibulatkan) 3. Interval kelas variabel X (persentase penduduk nonpetani) i = = 11,97 = 12 Interval kelas variabel Y I = = 246.06 = 250 4. Batas bawah kelas pertama untuk var. X = 15 5. Batas bawah kelas pertama untuk var. Y = 400

  20. KORELASI RANK (PERINGKAT) Koefisien korelasi rank adalah indeks angka-angka yang dipakai untuk mengukur keeratan(erat atau tidaknya) korelasi antara dua variabel yang didasarkan atas ranking (tingkatan). Koefisien korelasi rank dirumuskan :

  21. Perhitungan koefisien korelasi dengan menggunakan rumus korelasi rank (spearman) jauh lebih sederhana dibandingkan rumus product moment dari pearson, sebab dengan menggunakan rank angka-angkanya menjadi lebih kecil, sedangkan hasil perhitungan adalah sama atau sangat mendekati.

  22. KORELASI DATA KUALITATIF Korelasi data kualitatif digunakan untuk data kualitatif yaitu data yang tidak berbentuk angka-angka, tetapi berupa katagori-katagori. Untuk data kualitatif yang dipergunakan dalam mengukur kuatnya hubungan disebut Contingency Coefficient (koefisien bersyarat) yang mempunyai sama seperti koefisien korelasi.

  23. Koefisien bersyarat (Cc), dipergunakan untuk mengukur kuatnya hubungan data kualitatif yang mempunyai arti seperti koefisien korelasi, dimana nilai Cc sebesar nol, yang berarti tidak ada hubungan. Akan tetapi, batas atas Cc tidak sebesar satu, terantung atau sebagai fungsi banyaknya katagori (baris atau kolom). Batas tertinggi nilai Cc ialah , dimana nilai r ialah banyaknya baris atau kolom. Kalau banyaknya baris tidak sama dengan banyaknya kolom, pilih nilai yang terkecil.

  24. Adapun untuk menghitung nilai koefisien bersyarat (Cc) digunakan rumus :

  25. Kalau nilai perbandingan Cc dengan batas tertinggi < 0,5 maka hubungan lemah, terletak antara 0,5 dan 0,75 maka hubungan sedang/cukup, antara 0,75 dan 0,9 maka hubungan kuat, antara 0,9 dan 1 hubungan sangat kuat, sama dengan 1 maka hubungan sempurna.

  26. TEKNIK RAMALAN DAN ANALISIS REGRESI Tujuan utama materi ini adalah bagaimana menghitung suatu perkiraan atau persamaan regresi yang akan menjelaskan hubungan antara dua variabel.

  27. Diagram Pencar Setelah ditetapkan bahwa terdapat hubungan logis di antara variabel, maka untuk mendukung analisis lebih jauh, barangkali tahap selanjutnya adalah menggunakan grafik. Grafik ini disebut diagram pencar, yang menunjukkan titik-titik tertentu. Setiap titik memperlihatkan suatu hasil yang kita nilai sebagai varibel tak bebas maupun bebas.

  28. Diagram pencar ini memiliki 2 manfaat, yaitu : membantu menunjukkan apakah terdapat hubungan yang bermanfaat antara dua variabel, dan membantu menetapkan tipe persamaan yang menunjukkan hubungan antara kedua variabel tersebut.

  29. Persamaan Regresi Linear Regresi merupakan suatu alat ukur yang juga digunakan untuk mengukur ada atau tidaknya korelasi antarvariabelnya. Istilah regresi itu sendiri berarti ramalan atau taksiran. Persamaan yang digunakan untuk mendapatkan garis regresi pada data diagram pencar disebut persamaan regresi.

  30. Untuk menempatkan garis regresi pada data yang diperoleh maka digunakan metode kuadrat terkecil, sehingga bentuk persamaan regresi adalah sebagai berikut: Y’ = a + b X Kesamaan di antara garis regresi dan garis trend tidak dapat berakhir dengan persamaan garis lurus. Garis regresi (seperti garis trend dan nilai tengah aritmatika) memiliki dua sifat matematis berikut :

  31. (Y – Y’) = 0 dan (Y – Y’)2 = nilai terkecil atau terendah Dengan perkataan lain, garis regresi akan ditempatkan pada data dalam diagram sedemikian rupa sehingga penyimpangan (perbedaan) positif titik-titik terhadap titik-titik pencar di atas garis akan mengimbangi penyimpangan negatif titik-titik pencar yang terletak di bawah garis, sehingga hasil pinyimpangan keseluruhan titik-titik terhadap garis lurus adalah nol.

  32. Untuk tujuan diatas, perhitungan analisis regresi dan analisis korelasi dapat dipermudah dengan menggunakan rumus dalam bentuk penyimpangan nilai tengah variabel X dan Y, yaitu penyimpangan dari

  33. Oleh karena itu, dapat digunakan simbol berikut ini :

  34. Nilai dari a dan b pada persamaan regresi dapat dihitung dengan rumus berikut :

  35. Penggunaan Persamaan Regresi dalam Peramalan Tujuan utama penggunaan persamaan regresi adalah untuk memperkirakan nilai dari variabel tak bebas pada nilai variabel bebas tertentu. Tentu saja, tidak mungkin untuk mengatakan dengan tepat.

More Related