Semua kejadian, baik kejadian ekonomi maupun lainnya pasti ada faktor yang menyebabkan kejadian kejadian tersebut . Misal :
Naiknya harga minyak dunia menyebabkan biaya produksi meningkat; Merosotnya penjualan disebabkan menurunya biaya iklan.
Variabel Y yang nilainya akan diramalkan disebut variabel tidak bebas (dependent variabel), sedangkan variabel X yang nilainya dipergunakan untuk meramalkan nilai Y disebut variabel bebas (independent variabel) atau variabel peramal atau variabel yang menerangkan (explanatory). Analisis korelasi ini memungkinkan kita mengetahui terjadinya suatu kejadian di luar penyelidikan.
pada
umumnya
diikuti
oleh
kenaikkan
Diagram pencar
14
12 10 8 6 4 2 0 0 5 10 15
Diagram pencar
16 14
12
10 8 6 4 2 0 0 5 10 15 20
Titik koordinat
KOEFISIEN KORELASI
Kuat tidaknya hubungan X dan Y apabila dinyatakan dengan fungsi linear, diukur dengan suatu nilai yang disebut koefisien korelasi (r). Dimana nilainya dapat bervariasi dari -1 sampai 1.
Jika r = 0 atau mendekati 0, maka hubungan antara kedua variabel sangat lemah atau tidak terdapat hubungan sama sekali. Jika r = +1 atau mendekati 1, maka korelasi antara 2 variabel dikatakan positif dan sangat kuat. Jika r = -1 atau mendekati -1, maka korelasi dikatakan sangat kuat dan negatif.
Adapun rumus korelasi yang digunakan untuk mengetahui kuat tidaknya hubungan X dan Y adalah sbb:
Rumus regresi
atau
r=
Contoh soal
X Y
X
5 100
5 10 15 25 30 85
10 90
Y 100 90 85 65 50 390
15 85
25 65
30 50
y 22 12 7 -13 -28 0 x 144 49 4 64 169 430
2
x -12 -7 -2 8 13 0
r=
= -0,99
Dari contoh di atas hubungan antara X dan Y ternyata sangat kuat dan negatif, dimana kenaikkan harga tiket pada umumnya menurunkan jumlah penonton yang datang ke bioskop. Perlu diperhatikan bahwa naik turunnya Y tidak semata mata disebabkan oleh X, masih ada faktor lain yang menyebabkannya. Oleh karena itu untuk mengetahui seberapa besar konstribusi X terhadap naik turunnya Y kita hitung menggunakan Koefisien Penentuan (KP). KP = r2 Maka KP = r2 = 0,992 = 0,9801(98%) Artinya konstribusi X (harga tiket) terhadap Y (jumlah penonton) adalah 0,98% sedangkan sisanya disebabkan faktor lain.
r=
Selidikilah seberapa erat hubungan antara nilai matematika dengan nilai statistik dari 100 mahasiswa Akademi Ilmu Statistik seperti tertera di tabel: X = nilai ujian matematika Y = nilai ujian statistik
(II) fv 10 16 24 21 17 12 100
(VIII) fu
(IX) u2fu (X) Uvf
-14
28 32
-15
15 31
0
0 0
23
23 -1
40
80 24
30
90 39
64
236 125
r=
r=
r = 0,7686 atau 0,77 Jadi hubungan antara nilai matematika dan statistik cukup kuat dan positif.
C. Korelasi Rank Digunakan untuk mengetahui hubungan antar rank (peringkat) terhadap objek yang diberi nilai (peringkat). Besarnya hubungan tersebut ditentukan dengan mencari koefisien korelasinya, yaitu : r rank = 1di mana : d i = selisih dari pasangan rank ke-i n = banyaknya pasangan rank
Contoh :
Misalkan ada dua orang yang diminta untuk memberikan penilaian terhadap 8 merk handphone (HP) yang beredar. Merk HP yang palling disukai diberi nilai 8, dan yang paling tidak disukai diberi nilai 1. dari masing-masing nilai yang diberikan oleh dua orang tersebuat dapat dibuat koefisien korelasi antar rank, yang dapat menunjukkan seperti apa hubungan kedua rank tersebut.
2
3 4 5
Siemens
Nokia LG Philips
5
8 4 2
6
7 4 1
6
7 8
Sony Ericson
Samsung O2
7
6 3
8
5 2
No
Merk Handphone
Rank Andre
Rank Fandi
d2
1
2 3 4
Motorola
Siemens Nokia LG
1
5 8 4
3
6 7 4
-2
-1 1 0
4
1 1 0
5
6 7 8
Philips
Sony Ericson Samsung O2
2
7 6 3
1
8 5 2
1
-1 1 1
1
1 1 1
Maka akan diperoleh koefisien korelasi HP : r rank = 1=1= 1= 0,881 Maka hubungan antar kedua rank tersebut kuat dan positif.
D. Korelasi Data Kualitatif Selain data kuantitatif, korelasi antar data kualitatif juga dapat ditentukan besarnya. Misalkan kita ingin mengetahui seberapa besar hubungan antara tingkat pendapatan dan konsumsi rokok, tingkat pendidikan dengan banyaknya pendapatan, tingkat pendidikan dengan pengangguran, dll. Dapat diketahui dengan menggunakan Contingency Coefficient (Koefisien Bersyarat).
CC =
, n = banyakya observasi
X2 =
Di mana = = frekuensi atau banyaknya observasi baris i kolom j ; i = 1, 2, ..., p; j = 1, 2, ..., q; ( dibaca kai skuer atau khi kuadrat).
Kalau nilai perbandingan Cc dengan batas tertinggi : < 0,50 , maka hubungan lemah jika 0,50 < Cc < 0,75 , hubungan sedang 0,75 < Cc < 0,9 , hubungan kuat 0,9 < Cc < 1 , hubungan sempurna
Apakah ada hubungan antara tingkat pendidikan dengan jumlah penganggur terbuka di suatu wilayah (kota dan desa)?
1
1308
2
( 1904,07 )
JUMLAH
n1 = 3420 n2 = 2643 n3 = 3745 n4 = 739 n = 10547
1280
( 1171,52 ) 1127 ( 1659, 93 ) 156 ( 327,45 ) n.1 = 4675
1363
( 1471,28 ) 2618 ( 2085,01 ) 583 ( 411,44 ) n.2 = 5872
e 11 =
e 12 =
e 21 =
e 22 = e 31 =
e 32 =
e 41 = e42 =
+ = + + +
+ + +
+ + +
Cc =
0.28
= 0.71
Batas atas =
= 0.39
Perbandingan Cc dengan batas atas = Karena 0,39 lebih kecil dari 0,5 maka hubngan di katakan lemah.
E. Teknik Ramalan dan Analisis Regresi Diagram Pencar adalah diagram yang menunjukkan penyebaran titik-titik tertentu, di mana setiap titik memperlihatkan suatu hasil yang dinilai sebagai variabel bebas maupun variabel tak bebas.
a= b=
-b atau b =
Tujuan utama penggunaan persamaan regresi adalah untuk memperkirakan nilai dari variabel tak bebas pada nilai variabel bebas tertentu. Misalkan, jika seseorang ingin mendirikan sebuah pabrik Z dengan jumlah karyawan 500 orang, karena pada tabel 7.1 tidak disebutkan mengenai barang yang diproduksi dengan jumlah karyawan sebanyak 500 orang maka bisa digunakan persamaan regresi untuk menentukan berapa banyak barang yang akan dihasilkan.
Tentu saja, tidak mungkin menentukannya dengan tepat sesuai dengan kenyataan yang akan terjadi nanti. Tapi setidaknya hasil yang ditentukan ramalan melalui persamaan regresi nantinya dapat mendekati dengan hasil yang sebenarnya.
TABEL
Jumlah Pabrik Karyawan Produksi
x X2 2500 12100 5625 900 100 2250 6400 9025 59150 Y2 124609 559076 285156 44944 5184 1123600 319225 448900 2950694 XY 17650 85140 40050 6360 720 159000 45200 636500 417770 -25 35 0 -45 -65 75 5 20
x2
y2 xy
(Y) 353 774 534 212 702 1060 565 670 4240 530
b=
a=
=
= 530 (7.05)(75) = 530 528.75 = 1.25