Anda di halaman 1dari 16

BAB I

PENDAHULUAN
1.1 Latar Belakang.
Banyak analisis data bertujuan untuk mengetahui apakah ada hubungan antara dua
atau lebih peubah. Bila hubungan demikian ini dapat dinyatakan dalam bentuk rumus
matematik, maka kita akan dapat menggunakannya untuk keperluan identifikasi selanjutnya.
Masalah identifikasi dapat dilakukan dengan menerapkan persamaan regresi dan menentukan
korelasi (hubungan) data. Sekarang ini, istilah regresi ditetapkan pada semua jenis peramalan,
dan tidak harus berimplikasi suatu regresi mendekati nilai tengah populasi. Sedangkan Teknik
korelasi merupakan teknik analisis yang melihat kecenderungan pola dalam satu variabel
berdasarkan kecenderungan pola dalam variabel yang lain. Maksudnya, ketika satu variabel
memiliki kecenderungan untuk naik maka kita melihat kecenderungan dalam variabel yang
lain apakah juga naik atau turun atau tidak menentu. Jika kecenderungan dalam satu variabel
selalu diikuti oleh kecenderungan dalam variabel lain, kita dapat mengatakan bahwa kedua
variabel ini memiliki hubungan atau korelasi.
Dalam materi ini, kami menggunakan metode Least Square untuk menentukan
hubungan data, apakah hubungan korelasi positif, korelasi negatif atau korelasi non linear.
Data yang baik adalah data yang memiliki keakuratan maksimal dan adanya
keterikatan dengan data lain yang masih bersangkutan. Untuk menciptakan data yang baik
data mentah perlu di distribusikan dan diolah. Data yang baik akan mempermudah dalam
menganalisis atau mengidentifikasi karakteristik data dan mengulangi percobaan jika
diperlukan.
1.2 Tujuan.
1. Menganalisis data skripsi (tugas akhir) untuk menentukan korelasi data.
2. Menganalisis data skripsi (tugas akhir) untuk menentukan keakuratan data.
3. Menggunakan metode Least Square untuk menunjukkan hubungan korelasi data.
4. Menggunakan Aplikasi Ms. Excel untuk melakukan perhitungan dengan cepat dan
tepat.

1.3 Ruang Lingkup Materi.

Adapun ruang lingkup materi yang digunakan adalah menganalisis data skripsi
RANCANG BANGUN SISTEM PENCAHAYAAN HYBRID MENGGUNAKAN
SERAT OPTIK DAN ULTRABRIGHT LED oleh Henri Sukmajaya. Pengujian ini
dilakukan untuk mengetahui tingkat performansi dari pengaturan iluminasi dengan parameter
nilai eror steady state (Ess) yang dihasilkan. Penentuan performansi suatu pengaturan
didasarkan pada beberapa parameter antara lain eror steady state yang didefinisikan sebagai
kesalahan tunak selisih antara nilai dengan nilai akhir pada keadaan tunak. Pengujian
performansi dilakukan dengan cara memberikan variasi intensitas cahaya masukan dari serat
optik yang kemudian dilakukan pengamatan intensitas cahaya total akhir ruangan .
Untuk menentukan keakuratan data yang disajikan, maka digunakan Metode Least
Square dan Metode Korelasi. Adapun besar korelasi (keakuratan) yang diperoleh harus
mendekati +/- 1 dengan bentuk grafik harus linear.

BAB II
2

TINJAUAN TEORITIS

2.1 Data.
Data adalah catatan atas kumpulan fakta. Data merupakan bentuk jamak dari datum,
berasal dari bahasa Latin yang berarti "sesuatu yang diberikan". Dalam penggunaan
sehari-hari data berarti suatu pernyataan yang diterima secara apa adanya. Pernyataan ini
adalah hasil pengukuran atau pengamatan suatu variabel yang bentuknya dapat berupa
angka, kata-kata, atau citra.
Dalam keilmuan (ilmiah), fakta dikumpulkan untuk menjadi data. Data kemudian diolah
sehingga dapat diutarakan secara jelas dan tepat sehingga dapat dimengerti oleh orang
lain yang tidak langsung mengalaminya sendiri, hal ini dinamakan deskripsi. Pemilahan
banyak data sesuai dengan persamaan atau perbedaan yang dikandungnya dinamakan
klasifikasi.
Menurut berbagai sumber lain, data dapat juga didefinisikan sebagai berikut:

Menurut kamus bahasa inggris-indonesia, data berasal dari kata datum yang berarti
fakta

Dari sudut pandang bisnis, data bisnis adalah deskripsi organisasi tentang sesuatu
(resources) dan kejadian (transactions) yang terjadi

Pengertian yang lain menyebutkan bahwa data adalah deskripsi dari suatu kejadian
yang kita hadapi.

Intinya data itu adalah suatu fakta-fakta tertentu sehingga menghasilkan suatu kesimpulan
dalam menarik suatu keputusan.
2.2 Pengolahan Data.
Pengolahan Data adalah manipulasi data agar menjadi bentuk yang lebih berguna.
Pengolahan data ini tidak hanya berupa perhitungan numeris tetapi juga operasi-operasi
seperti klasifikasi data dan perpindahan data dari satu tempat ke tempat lain. Secara
umum, kita asumsikan bahwa operasi-operasi tersebut dilaksanakan oleh beberapa tipe
mesin atau komputer, meskipun beberapa diantaranya dapat juga dilakukan secara
manual.
Siklus Pengolahan Data
Pengolahan data terdiri
(pengolahan), dan output.

dari

tiga

langkah

utama,

yakni input,

proses

Input : Di dalam langkah ini data awal, atau data input, disiapkan dalam beberapa bentuk
yang sesuai untuk keperluan pengolahan. Bentuk tersebut akan bergantung pada
pengolahan mesin.
Proses : Pada langkah ini data input diubah, dan biasanya dikombinasikan dengan
informasi yang lain untuk menghasilkan data dalam bentuk yang lebih dapat digunakan.
Langkah pengolahan ini biasanya meliputi sederet operasi pengolahan dasar tertentu.
Output : Pada langkah ini hasil-hasil dari pengolahan sebelumnya dikumpulkan. Bentuk
data output tergantung pada penggunaan data tersebut unutk pengolahan selanjutnya.
2.3 Korelasi.
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran
asosiasi / hubungan (measures of association). Pengukuran asosiasi merupakan istilah
umum yang mengacu pada sekelompok teknik dalam statistik bivariat yang digunakan
untuk mengukur kekuatan hubungan antara dua variabel.
Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui keeratan
hubungan antara dua variabel dan untuk mengetahui arah hubungan yang terjadi.
Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang terjadi antara
dua variabel. Dalam SPSS ada tiga metode korelasi sederhana (bivariate correlation)
diantaranya Pearson Correlation, Kendalls tau-b, dan Spearman Correlation. Pearson
Correlation digunakan untuk data berskala interval atau rasio, sedangkan Kendalls taub, dan Spearman Correlation lebih cocok untuk data berskala ordinal.
Dalam korelasi sempurna tidak diperlukan lagi pengujian hipotesis, karena kedua variabel
mempunyai hubungan linear yang sempurna. Artinya variabel X mempengaruhi variabel
Y secara sempurna. Jika korelasi sama dengan nol (0), maka tidak terdapat hubungan
antara kedua variabel tersebut. Dalam korelasi sebenarnya tidak dikenal istilah variabel
bebas dan variabel tergantung. Biasanya dalam penghitungan digunakan simbol X untuk
variabel pertama dan Y untuk variabel kedua. Dalam contoh hubungan antara variabel
remunerasi dengan kepuasan kerja, maka variabel remunerasi merupakan variabel X dan
kepuasan kerja merupakan variabel Y.

Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui keeratan


hubungan antara dua variabel dan untuk mengetahui arah hubungan yang terjadi.
Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang terjadi antara
dua variabel.
Korelasi terbagi dua, yakni :

Korelasi bivarat merupakan uji korelasi duavariabel

Korelasi partial untuk menghitung koefisien korelasi antara dua variabel, tetapi
dengan dengan mengeluarkan variabel lainnya yang mungkin dianggap berpengaruh
dengan kata lain disebut kontrol.

Korelasi antara x dan y sering disebut dengan r. koefisien r merupakan taksiran dari
korelasi populasi dengan sampel normal (acak).
Tingkat ke-eratan hubungan korelasi bergerak dari 0-1, jika r mendekati 1 (misalnya 0,97)
dapat dikatakan bahwa data memiliki hubungan yang sangat erat berlaku sebaliknya.
2.4 Perbedaan Regresi dan Korelasi
Pernyataan yang sering kita dengan adalah bahwa regresi dimengerti dengan kata kunci
pengaruh, dan korelasi dimengerti dengan kata kunci hubungan. Pengertian sederhana itu
tidaklah salah, akan tetapi, tidak ada salahnya juga kita memahami secara lebih lanjut
tentang regresi dan korelasi.
Analisis korelasi berkaitan erat dengan regresi, tetapi secara konsep berbeda dengan
analisis regresi. Analisis korelasi adalah mengukur suatu tingkat atau kekuatan hubungan
linear antara dua variabel. Koefisien korelasi adalah mengukur kekuatan hubungan linear.
Sebagai contoh, kita tertarik untuk menemukan korelasi antara merokok dengan penyakit
kanker, berdasarkan penjelasan statistik dan matematika, pada anak sekolah dan
mahasiswa (dst). Dalam analisis regresi, kita tidak menggunakan pengukuran tersebut.
Analisis regresi mencoba untuk mengestimasi atau memprediksikan nilai rata-rata suatu
variabel yang sudah diketahui nilainya, berdasarkan suatu variabel lain yang juga sudah
diketahui nilainya. Misalnya, kita ingin mengetahui apakah kita dapat memprediksikan
nilai rata-rata ujian statistik berdasarkan nilai hasil ujian matematika.
5

1. Regresi mempelajari bentuk hubungan antar variabel mealui suatu persamaan.


Persamaan yang digunakan untuk melihat hubungan antar variabel adalah Regresi
Linear Sederhana (RLS), Regresi Linear Berganda (RLB), dan Regresi non Linear.
Regresi bisa berupa hubungan sebab akibat.
Regresi mengukur seberapa besar suatu variabel mempengaruhi variabel yang lain,
sehingga dapat digunakan untuk melakukan peramalan nilai suatu variabel
berdasarkan variabel lain.
2. Korelasi juga mempelajari hubungan antar variabel, tetapi digunakan untuk melihat
seberapa erat hubungan antar dua variabel kuantitatif dilihat dari besarnya angka dan
bukan dari tandanya. Dengan menggunakan korelasi, kita dapat mengetahui arah
hubungan yang terjadi dalam dua variabel. Jika korelasi bertanda positif artinya
berbanding lurus dan jika bertanda negatif maka berbanding terbalik.
Korelasi tidak bisa menyatakan hubungan sebab akibat meskipun angka korelasinya
tinggi. Misal ada dua pernyataan:
a. Tegangan berbanding lurus dengan kuat arus, dan berbanding terbalik dengan
hambatan.
b. Benda yang dipanaskan akan mengalami pemuaian.
2.5 Manfaat Korelasi dan Regresi
Kegunaan Analisis Korelasi dan Regresi. Dalam kebanyakan fenomena alam,
menaksir rerata populasi, atau menguji perbedaan dua rerata dengan teknik uji
statistika, baik yang memerlukan asumsi sebaran khusus (parametrik) mau pun
yang tidak ketat asumsi sebarannya (nonparametrik) menjadi tidak efisien dan
tidak efektif lagi. Hal ini disebabkan oleh banyaknya peubah yang berhubungan
dan saling menjelaskan antara yang satu dengan yang lainnya.
Dari latar belakang yang kita perhatikan di atas, metode atau analisis korelasi dan
regresi merupakan topik penting untuk dibicarakan. Metode korelasi dapat mengukur
kuatnya hubungan antara dua peubah yang sifat hubungannya simetris atau timbal
balik Seperti metode korelasi; metode regresi sudah menjadi bagian integral dari
setiap analisis data yang memperhatikan hubungan antara satu peubah tanggapan
(response variable) dengan satu atau lebih peubah penjelas (explanatory variables).
Istilah peubah tanggapan kadang-kadang juga disebut peubah terikat atau terikat
(dependent variable), dan peubah penjelas disebut peubah penaksir (predictor
variable) atau peubah bebas (independent variable). Penggunaan istilah ini biasanya
disesuaikan dengan situasi peubah-peubah yang dipelajari hubungannya, dan juga
selera penggunanya.
2.6 Penggunaan Paket Komputer dalam Statistika
Tersedianya paket statistika sebagai perangkat lunak komputer memudahkan banyak
peneliti dalam penggunaan analisis statistik terhadap data yang diperoleh.
Ketersediaan fasilitas ini memudahkan dan sangat menguntungkan karena beberapa
faktor.
6

1. Proses analisis, terutama perhitungan dapat dilakukan dengan cepat sekali tanpa
ada kesalahan hitung.
2. Peneliti dapat menghindari pekerjaan hitung yang memerlukan waktu lama
apabila dikerjakan dengan cara manual, yang akibatnya bisa melelahkan dan
terjadinya kesalahan.
3. Peneliti sudah dapat memiliki waktu yang cukup memadai untuk berpikir dan
mengembangkan masalah penelitiannya, menafsirkan hasil analisis data yang
diperolehnya, dan mengimplementasikan serta menindaklanjuti rekomendasi dari
temuan-temuannya.
Di samping kemudahan dan sejumlah keuntungan lain yang diberikan oleh
fasilitas komputer yang tersedia, ada peringatan keras agar peneliti memilih paket
statistika dengan lebih hati-hati. Paling sedikit tiga situasi yang memerlukan
kehati-hatian dengan penggunaan paket statistika dalam komputer, yaitu:
1. Ketika menganalisis data dan tidak memiliki pengetahuan statistika yang cukup untuk
mengerti secara lengkap hasil (out put) komputer yang diperoleh;
2. Ketika mengajarkan penggunaan paket statistika dalam suatu pelatihan yang terpisah
dari pengajaran statistika;
3. Ketika menggunakan paket statistika dalam pengajaran bidang tertentu tanpa
memerlukan metode statistika yang menunjang paket tersebut.
2.7 Persamaan Mencari Hubungan Korelasi.
Koefisien korelasi untuk 2 buah variabel X dan Y dengan jumlah data
sebesar N, dapat dihitung dengan menggunakan rumus yang
dikembangkan oleh Karl Pearson, yaitu :

Untuk menghitung koefisien korelasi ganda dapat digunakan rumus


berikut :

Dimana:
r = Koefisien korelasi antara variabel x dengan variabel y
r = Koefisien korelasi antara variabel x dengan variabel y
Sementara itu pada keadaan dimana terdapat lebih dari 2 variabel bebas,
koefisien korelasi juga padat dicari nilainya dengan pola yang sama.
Contohnya adalah untuk mencari koefisien korelasi ketika terdapat 7
variabel bebas dan 1 variabel terikat, dapat dipergunakan persamaan
sebagai berikut:
yx1

yx2

Dimana:

Untuk kekuatan hubungannya, nilai koefisien korelasi berada di antara -1


sampai 1, sedangkan untuk arah dinyatakan dalam bentuk positif (+) dan
negatif (-).

Gambar : Grafik Hubungan korelasi.


Persamaan-persamaan di atas merupakan persamaan untuk memperoleh
koefisien korelasi simultan atau bersama semua variabel bebas terhadap
variabel terikat. Untuk mencari berapa koefisien korelasi salah satu
variabel bebas terhadap variabel terikat ketika variabel bebas yang lain
dianggap konstan, dipergunakan persamaan korelasi parsial sebagai
berikut :

Koefisien korelasi parsial dimaksudkan untuk mencari tahu


seberapakuatkah, hubungan salah satu atau beberapa variabel bebas
terhadap variabel terikat secara parsial, tidak simultan atau bersamasama.
Koefisien korelasi menunjukan berapa besar varians total satu variabel
berhubungan dengan varians variabel lain. Hal ini berarti bahwa tiap
nilai r perlu ditafsirkan posisinya dalam keterkaitan tersebut. Untuk
memberikan tafsiran pada nilai koefisien korelasi, dapat digunakan
referensi guilford empirical rules pada tabel 1.
Tabel 1. Penafsiran Koefisien Korelasi.
Besar r

Penafsiran

yx

0,00 < 0,20

Hubungan sangat lemah (diabaikan, dianggap


tidak ada)

0,20 < 0,40

Hubungan rendah atau lemah

0,40 < 0,70

Hubungan sedang atau cukup

0,70 < 0,90

Hubungan kuat

0,90 1,00

Hubungan sangat kuat

Setelah nilai koefisien korelasi diperoleh, nilai koefisien determinasi juga


dapat diperoleh dengan persamaan berikut:
KP = (R ) x 100%
Nilai KP pada persamaan di atas menunjukan seberapa besar nilai variabel
bebas x dan x mempengaruhi nilai variabel terikat y. Nilai (1 KP) akan
menunjukkan persentase besarnya pengaruh faktor-faktor lain di luar
faktor yang ada pada variabel bebas, dalam mempengaruhi variabel
terikat y.
x1,x2,y

BAB III
PEMBAHASAN

3.1 Prosedur Kerja.


1. Tabel Hasil Pengujian eror steady state pengaturan intensitas cahaya dengan
nilai set point 37,5 lux
N Intensitas
Ilumin
Erro
o
Cahaya serat
asi
r
1
31
33.9
0
2
26
34.2 0.1
3
22
34.5 0.1
4
15
35.2 0.3
5
13
35.3 0.4
6
11
36.5 0.5
7
9
36.9 0.6
8
5.3
37
1
9
6.8
37.1 2.2
1
0
4.3
37.2 2.3
1
1
2.4
37.4
3
1
2
3.1
37.4 3.3
1
3
1.8
37.5 3.6

2. Dari tabel diatas, diperoleh grafik hubungan yang belum ter-normalisasi.


10

38
37
36
35
34
33
32
0

10

15

20

25

30

35

3. Tabel diatas diolah dengan regresi data dengan Least Square untuk
memperoleh bentuk grafik.
Regresi data dengan Least Square
No.

X2

XY

Y2

31

33.9

1050.9

961

1149.21

26

34.2

889.2

676

1169.64

22

34.5

759

484

1190.25

15

35.2

528

225

1239.04

13

35.3

458.9

169

1246.09

11

36.5

401.5

121

1332.25

36.9

332.1

81

1361.61

8
9
10
11

5.3
6.8
4.3
2.4

37
37.1
37.2
37.4

196.1
252.28
159.96
89.76

28.09
46.24
18.49
5.76

1369
1376.41
1383.84
1398.76

12
13

3.1
1.8

37.4
37.5

115.94
67.5

9.61
3.24

1398.76
1406.25

11

Ybaru
2.37181
2
2.42039
2
2.45925
6
2.52726
9
2.54670
1
2.56613
3
2.58556
5
2.62151
4
2.60694
2.63123
2.64969
2.64288
9
2.65552

TOTAL
TOTAL
^2
MEAN

150.7

470.1

22710.49
11.5923076
9

220994.01
36.161538
5

5301.1
4

2828.4
3

17021.1
1

4. Kemudian dicari nilai A, B dan untuk mendapatkan Ybaru.:


A=

B=

( X 2 .Y ) ( X . Y )

Ybaru = A +(B. X

( n . Y 2 )

( n. XY ) ( X . Y )

Maka diperoleh :

A=
B=
=

2.673008
73
0.009716
014
198563.9
4

5. Lalu diperoleh grafik Least Square yang sudah ternormalisasi dengan data X
dan Ybaru.

12

2.7
2.65
2.6
2.55
2.5
2.45
2.4
2.35
2.3
2.25
2.2
0

10

15

20

Tabel 2: X dan Ybaru.


No.

X
1

31

26

22

15

13

11

5.3

6.8

10

4.3

11

2.4

12

3.1

13

1.8

Ybaru
2.371812
3
2.420392
37
2.459256
42
2.527268
52
2.546700
55
2.566132
58
2.585564
6
2.621513
86
2.606939
84
2.631229
87
2.649690
3
2.642889
09
2.655519
9

6. Untuk mencari korelasi (hubungan kekuratan data) :


13

25

30

35

[ ( n . XY )( X .Y )]
r=

[ ( n . X 2 )( X )2 ]

r=

1929.5
118.571 x 16.745

1/ 2

[ ( n . Y 2 )( Y )2 ]

1/ 2

r = -0.9716397
Dengan r = -0.9716397, maka dapat diperoleh bahwa data memiliki korelasi
kuat negatif karena hampir mendekati +/- 1. Berarti hubungan antara X dan Y
mencapai 97 %.

14

BAB IV
PENUTUP
4.1 Kesimpulan.
1. Data yang baik adalah data yang memiliki keakuratan maksimal dan adanya
keterikatan dengan data lain yang masih bersangkutan. Untuk menciptakan data yang
baik data mentah perlu di distribusikan dan diolah.
2. Data itu adalah suatu fakta-fakta tertentu sehingga menghasilkan suatu kesimpulan
dalam menarik suatu keputusan. Sedangkan Pengolahan data adalah Pengolahan
Data adalah manipulasi data agar menjadi bentuk yang lebih berguna.
3. Dengan menggunakan korelasi, kita dapat mengetahui arah hubungan yang terjadi
dalam dua variabel. Jika korelasi bertanda positif artinya berbanding lurus dan jika
bertanda negatif maka berbanding terbalik.
4. Least Square adalah metode analisis data untuk menentukan bentuk grafik hubungan
korelasi
5. Koefisien korelasi untuk 2 buah variabel X dan Y dengan jumlah data
sebesar N, dapat dihitung dengan menggunakan rumus yang
dikembangkan oleh Karl Pearson, yaitu :

4.2 Saran
1. Sebelum kita menyajikan data dalam karya ilmiah tertulis, hendaknya data dianalisis
dulu dengan berbagai model distribusi data agar data yang disajikan lebih akurat dan
dapat dipertimbangkan.
2. Untuk mempercepat dan mempertepat hasil perhitungan suatu model analisis data,
digunakan Aplikasi Microsoft Excel dan sejenisnya agar lebih gampang dan
aplikasinya bisa ditemukan pada semua pc.

15

DAFTAR PUSTAKA
Anonim. 2014. http://www.slideshare.net/guest44990b/pengertian-korelasi2905911. Diakses 5 Desember 2014
Anonim. 2014. http://lovelyyydee.wordpress.com/category/makalah/. Diakses 12
Desember 2014

Abdurahman, Maman, Muhidin, Sambas & Somantri, Ating. 2012. DasarDasar Metode Statistika Untuk Penelitian. Bandung: CV. Pustaka Setia.

Bevington, Philip R et al. 2003. Data Reduction. New York USA : McGraw-Hill
Companies, Inc.

Siregar,
Syofian.
2013. Statistik
Kualitatif. Jakarta: Bumi Aksara.

Parametrik

untuk

Penelitian

Sudjana. 2005. Metoda Statistika Edisi Ke-enam. Bandung : Tarsito Bandung

16