Anda di halaman 1dari 28

KORELASI & REGRESI

Hari Sakti Wibowo

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

KORELASI
Tujuan :
Untuk melihat ada tidaknya hubungan antara
dua buah variabel (minimal berskala ordinal)
Melihat kuat lemahnya hubungan
Melihat jenis hubungan

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

Melihat ada tidaknya korelasi


Berdasarkan nilai koefiesien korelasi r
-1 r 1
Nilai r 0 tidak ada hubungan
Nilai r -1 atau r 1 ada hubungan

Berdasarkan Uji Korelasi


HIPOTESA :
Ho : Tidak Ada Hubungan / Korelasi
H1 : Ada Hubungan / Korelasi

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

KUAT LEMAHNYA HUBUNGAN


Kuat lemahnya hubungan dilihat melalui nilai
koefisien korelasi r
Jika nilai r 1 atau r -1 terjadi hubungan yg
kuat
Jika nilai r 0 hubungannya lemah

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

Kelemahan nilai koefisien korelasi r


Nilai koefisien korelasi sangat tergantung pada
banyaknya data
Untuk data yang jumlahnya banyak nilai r = 0.2 ,
sudah dikatakan terjadi korelasi
Untuk data yang berjumlah sedikit nilai r = 0.4 ,
belum tentu terjadi korelasi
Nilai r merupakan besaran yang relatif
Lihat nilai Signifikansinya

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

CONTOH KELEMAHAN NILAI r


Correlations

Correlations
y
y

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

el

x
1
3
.721
.488
3

.721
.488
3
1
3

el

org

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

1
245
.286**
.000
245

org
.286**
.000
245
1
245

**. Correlation is significant at the 0.01 level


(2-tailed).

Terlihat dengan nilai r = 0,721, kesimpulan tidak ada korelasi


yang signifikan antara variabel X dengan Y. Hal ini terjadi
karena jumlah sampel ada sebanyak 3 sampel
Untuk nilai r = 0,286, kesimpulannya ada yang signifikan
antara variabel el dengan org. Hal ini terjadi karena jumlah
sampel ada 245 sampel

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

JENIS HUBUNGAN
Dilihat dari nilai koefieien korelasi r
Y

X
Hubungan Positif
r=+

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

X
Hubungan Negatif
r=-

Prosedur analisa korelasi


Parametrik Jenis datanya kuantitatif, korelasi
Pearson
NonParametrik Jenis datanya Ordinal, Korelasi
Spearman & Kendalls-tau b
HIPOTESA :
H0 : Tidak Ada Korelasi/Hubungan
H1 : Ada Korelasi/Hubungan

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

ANALISA REGRESI

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

TUJUAN
Melihat ada/tidak hubungan Linier antara
sebuah variabel Dependent (kuantitative)
dengan beberapa variabel Independent
(kuantitative) bersifat sistem
Melihat kuat/lemahnya hubunga antar
variabel Dependent dengan variabel
Independent
Memprediksi besarnya nilai variabel
Dependent berdasarkan variabel Independent
PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT
UNIVERSITAS INDONESIA

PERBEDAAN KORELASI & REGRESI


Analisa korelasi merupakan hubungan
langsung antara dua buah variabel tampa
dipengaruhi oleh variabel lain ( Variabel lain
dianggap konstan/katerisparibus)
Analisa Regresi merupakan analisa sistem,
dimana hubungan antar variabel dipengaruhi
oleh varibel lainnya (korelasi parsial).

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

METODE PENDUGAAN PARAMETER


Metode yg digunakan Metode Kuadrat Terkecil
Umum ( Ordinary Least Square Estimator)
Rata-rata

n
n
2
2
min yi y min yi (b0 b1 x)
i 1

i 1

PEMBUTAN MODEL
Hal-hal yang perlu diperhatikan dalam
pembuatan model:
Penentuan Variabel dependent & independent
(berdasarkan hipotesis, mana yg lebih mudah
diukur)
Model harus didasarkan pada konsep
(menghindari hubungan semu)

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

MODEL
Yi 0 1 X 1i 2 X 2i .... p X pi i , i
Yi

Dependent Variabel

p Parameter
X p Independent Variabel
i

Error

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

NID(0, 2 )

Pendugaan Koefisien Regresi


Perhitungan nilai koefisien

( X ' X ) ( X ' Y )
Varian nilai koefisien
s 2 (b0 )
s 2 (b0 , b1 )
2
2
s
(
b
,
b
)
s
(b1 )
1
0
2
s (b)

2
s (b p , b0 )

Dimana nilai KTG


KTG

Y ' Y b' X ' Y


n ( p 1)

s 2 (b0 , b p )

s 2 (b1 , b p )
KTGx ( X ' X )

s 2 (b p )

Uji nilai koefisien


Hipotesa : Ho : bk = 0

( ,n p )
2

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

bk
2

s (bk )

, Tolak Ho

Langkah-langkah Analisa Regresi

Menguji apakah variabel independent berpengaruh terhadap variabel dependen


(harus berpengaruh)
Hip : Ho: = 0 ( Tidak berpengaruh)
Uji ANOVA
H1: 0 (Berpengaruh)
Uji parsial Untuk menguji var independent mana saja yang berpengaruh pada
var dependent
Hip : Ho: i = 0 , p = 1,2,3 p ( Tidak berpengaruh)
H1: i 0 , p = 1,2,3 p (Berpengaruh)
Uji t-test
Melihat asumsi Error ( untuk prediksi )
Melihat adanya tidaknya Multikololinieritas (korelasi antar var independent) Nilai
VIF < 10
Kehandalan model (persentase kemampuan var Indep mampu menjelaskan Var
Depent) R-square 1
Membuat model persamaan dan validasi model persamaan
PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT
UNIVERSITAS INDONESIA

Asumsi Error
Pengecekan terhadap Asumsi Error bertujuan untuk
membuktikan apakah model regresi yang terbentuk
memiliki sifat BLUE (Best Linier Unbias Estimation)

Error terdistribusi Normal (PP-Plot


, Histogram)
Antar error tidak saling berkorelasi
/ Autocorelation (Durbin Watson)
Variansi error homogen /
Homokedatisitas (Scarter Plot )
PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT
UNIVERSITAS INDONESIA

MULTIKOLOLINIERITAS #1
Arti : Korelasi yg terjadi antar var Independent
Penyebab :
Mengukur indikator var X yg sama (pendapatan &
Pengeluaran)
Jum var X > jum data

Jenisnya ada dua : Multikol sempurna & Kurang


sempurna
Akibat multikol :
Sempurna : Koefisien regresi tdk dapt dihitung, variansinya
tak terhingga
Kurang sempurna: Koefisien regresi dpt di hitung namun
variansi sangat besar
PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT
UNIVERSITAS INDONESIA

MULTIKOLOLINIERITAS #2
Deteksi multikol: Nilai VIF > 10
Mengatasinya :
Buang salah satu variabel yg berkorelasi
Menggabung variabel yg saling berkorelasi
Trasformasi variabel
Penambahan data
Teknik regresi lain seperti PCA, Ridge regresion dll

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

Heteroledastisitas/Homokedastisitas
Arti : Kesamaan variansi di setiap nilai prediksi
Penyebab :

Adanya proses pembelajaran


Adanya outlier
kemencengan dari beberapa var yg diukur
Kesalahan fungsi atau trasformasi

Deteksi

Scarter plot
Pengujian : Part test, Glejser test, Spearman Correlation
test, Goldfeld-quandt, Breusch-pagan-godfrey , Whites
General Heteroskedastisiti

Cara mengatasi : dengan trasformasi


PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT
UNIVERSITAS INDONESIA

Autokorelasi
Arti : error saling berkorelasi
Penyebab :
Data diambil dari sequance system
Data time series
Manipulasi data. Data bulanan dibuat kuartal,
semester atau tahunan

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

KOEFISIEN DETERMINASI
Ukuran mengenai besarnya persentase
pengaruh variabel Independent terhadap
variabel Dependent

JKR JKT JKE


r

JKT
JKT
2

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

Metode Pembuatan Model


Enter : Semua variabel X dimasukan dalam model, yg
tidak signifikan dibuang secara manual
Forward : Varibel X dimasukan satu persatu dimulai dari
yang paling besar pengaruhnya terus sampai yg paling
kecil. Yg tdk berpengaruh tdk dimasukan dlm model
Backward : variabel X dimasukn semua dlm model,
kemudian var yg tak berpengaruh dibuang satu-persatu
dari yg paling tidak berpengaruh
Stepwise : Gabungan dari forward dan backward

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

Kelemahan Regresi

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

REGRESI DUMMY
Ada kalanya yang menjadi prediktor (variabel
independent/X) merupakan katagori
Rubah variabel prediktor yang katagori
menjadi variabel dummy (variabel 0 & 1)
Cth : Laki2x = 0 (Katagori reference) Pengontrol
Perempuan = 1

Banyaknya variabel dummy :


Dummy = Banyaknya katagori - 1
PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT
UNIVERSITAS INDONESIA

Reference Catagory
Katagori dasar yang menjadi rujukan dalam
analisa.
Contoh apakah semakin tinggi pendidikan
akan semakin baik tingkat ekonomi
seseoarang?
Reference Catagori Pendidikan SD = 0

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA

Contoh Pembentukan Variabel Dummy Pendidikan


Misalkan ada 4 kategori pendidikan, yaitu SD, SMP, SMA, Perguruan Tinggi.
Misalkan SD menjadi reference category

Jumlah Variabel Dummy = Jumlah Kategori - 1


Pendidikan

Dummy SMP

Dummy SMA

Dummy PT

SD

SMP

SMA

PT

PUSAT PENDIDIKAN DAN PENGABDIAN MASYARAKAT


UNIVERSITAS INDONESIA