PENDAHULUAN
1.1. Latar Belakang
Statistik adalah suatu kerangka teori-teori dan metode-metode yang telah dikembangkan
untuk melakukan pengumpulan, analisis, dan pelukisan data sampel guna memperoleh kesimpulankesimpulan yang bermanfaat. Adapun satatistika adalah ilmu tentang cara-cara mengumpulkan,
menggolongkan, menganalisis, dan mencari keterangan yang berhubungan dengan pengumpulan
data yang penyelidikan dan kesimpulannya berdasarkan bukti-bukti yang berupa angka-angka.
Statistical Product and Service Solutions (SPSS) adalah program kerja komputer yang
membantu para statistikawan dalam menjawab permasalahan dalam Statistika. SPSS adalah salah
satu paket program yang sangat popular dari sekian banyak paket program pengolahan data statistik
disamping SAS, Stata, dan Minitab. SPSS for windows menawarkan banyak kemudahan dalam
pengoperasiannya, mulai dengan pemasukan data, mengedit data, mentransformasi data, analisis
data, menyajikan hasil analisis data dann masih banyak lagi. SPSS menyediakan fasilitas analisis
yang cukup lengkap dan menyeluruh, dari analisis dasar semacam pembuatan tabel dan grafik
samapi pada analisis tingkat lanjut seperti ordinary linear regression, logistic regression, survivsl
analysis, repeated mesures ANOVA dan lain lain.
Analisis korelasi merupakan teknik analisis yang melihat kecenderungan pola suatu variabel
berdasarkan kecenderungan pola dalam variabel yang lain. Misalnya, ketika satu variabel memiliki
kecenderungan untuk naik maka dilihat kecenderungan dalam variabel yang lain apakah juga naik
atau turun atau mungkin tidak menentu. Jika kecenderungan dalam satu variabel selalu diikuti oleh
kecenderungan dalam variabel lain, maka dapat disimpulkan bahwa kedua variabel ini memiliki
hubungan atau korelasi.
1.2 Tujuan Praktikum
1. Melakukan analisis korelasi
2. Melakukan pengujian dan menjelaskan koefisien regresi
1.3 Manfaat Praktikum
1. Mampu menjelaskan hubungan secara linear dari sekumpulan data dengan program SPSS
2. Mampu membuat analisis regresi dengan program SPSS
3. Mampu melakukan pengujian dan menjelaskan koefisien regresi dengan program SPSS
III.
: 15.00 selesai
Tempat
Laptop
Flashdisk
Modul
3.3. Metode
3.3.1. Uji Bivariate
1. Masuk ke program SPSS 16.0, Lalu pilih type In New Data lalu Ok
3. Masuk ke Variable View lalu isikan SUHU dan SOI pada kolom Name serta kolom Label
4. Buka data yang ingin di olah. Masukkan data bulan Dec-Feb ke dalam data view
6. Berikutnya akan muncul kotak dialog Bivariate Correlation. Setelah itu pindahkan posisi
Suhu Permukaan dan SIO kotak sebelah kanan.
7. Klik Options dan Checklist Means and standard deviasions. Klik Continue lalu OK.
Ulangi dengan memasukkan data tiap 3 bulan berikutnya, sehingga didapat 5 hasil uji
korelasi bivariate.
3.3.2 Partial
1. Buka data pertama dengan ditambahkan variabel data dengan DO dan Salinitas.
2. Lalu tambahkan data sesuai dari variabel data pada data view.
4. Masukkan DO dan Salinitas kedalam kolom Variables dan SOI dan Suhu Permukaan
dimasukkan kedalam kolom controlling. Kemudian klik OK
III.
4.1 Hasil
4.1.1 Bivariate
1. Bulan Desember Februari
Descriptive Statistics
Mean
Suhu Permukaan
SOI
Std. Deviation
29.0500
.86643
3.8333
7.30776
Correlations
Suhu
Permukaan
Suhu Permukaan
Pearson Correlation
SOI
1
Sig. (2-tailed)
.842
N
SOI
Pearson Correlation
-.246
Sig. (2-tailed)
.842
Std. Deviation
29.2367
.34122
-.1000
11.62282
Correlations
SUHU
SUHU
Pearson Correlation
SOI
1
Sig. (2-tailed)
N
SOI
.602
.588
Pearson Correlation
.602
Sig. (2-tailed)
.588
-.246
3. Juni Agustus
Descriptive Statistics
Mean
Std. Deviation
SUHU
27.1867
.84760
SOI
-5.3000
5.33573
Correlations
SUHU
SUHU
Pearson Correlation
SOI
1
.896
Sig. (2-tailed)
.293
N
SOI
Pearson Correlation
.896
Sig. (2-tailed)
.293
4. September November
Descriptive Statistics
Mean
Std. Deviation
SUHU
27.7933
1.20935
SOI
-8.5000
1.32288
Correlations
SUHU
SUHU
Pearson Correlation
SOI
1
Sig. (2-tailed)
N
SOI
Pearson Correlation
Sig. (2-tailed)
N
-.978
.133
-.978
.133
3
5. Desember Februari
Descriptive Statistics
Mean
Std. Deviation
SUHU
28.9233
.49571
SOI
-4.2333
4.34089
Correlations
SUHU
SUHU
Pearson Correlation
SOI
1
Sig. (2-tailed)
.928
N
SOI
-.114
Pearson Correlation
-.114
Sig. (2-tailed)
.928
Correlations
Control Variables
SUHU & SOI
DO
Salinitas
DO
Correlation
Salinitas
1.000
-.327
Significance (2-tailed)
.276
df
11
-.327
1.000
.276
11
Correlation
Significance (2-tailed)
df
4.2 Pembahasan
4.2.1 Uji Korelasi Bivariate
Southern Oscillation Index (SOI) adalah nilai indeks yang menyatakan perbedaan
Tekanan Permukaan Laut (SLP) antara Tahiti dan Darwin, Australia. Variable suhu serta SOI
berkaitan dengan fenomena El Nino dan La Nina. Secara meteorologis kejadian El Nino dan La
Nina ditunjukkan oleh Indeks Osilasi Selatan atau Southern Osccilation Index (SOI) dan suhu
permukaan laut di Samudra Pasifik. Indeks itu didasarkan oleh perbedaan tekanan udara di atas
permukaan laut antara Tahiti dengan Darwin yang tidak seperti keadaan normal. Oleh karena
itu dinamakan osilasi, suatu istilah yang dapat dimaknai sebagai gangguan, penyimpangan atau
anomali.
Untuk mengetahui hubungan antara suhu dan SOI, dilakukan uji korelasi. Uji ini
merupakan uji korelasi sederhana antar 2 variabel. Nilai koefisien positif berarti terjadi
hubungan positif, artinya jika SUHU tinggi maka SOI akan meningkat (baik). Tetapi apabila
nilai koefisien bertanda negatif berarti terjadi hubungan yang negatif, artinya jika suhu tinggi
maka SOI akan Menurun. Pada bulan Desember Februari, dari hasil, di dapat nilai koefisien
korelasi sebesar -0.246. Pada bulan Maret Mei, dari hasil, di dapat nilai koefisien korelasi
sebesar 0.602. Pada bulan Juni Agustus, dari hasil, di dapat nilai koefisien korelasi sebesar
0.896. Pada bulan September November, dari hasil, di dapat nilai koefisien korelasi sebesar
-0.978. Pada bulan Desember Februari, dari hasil, di dapat nilai koefisien korelasi sebesar
-0.114.
La Nina dideteksi ketika nilai SOI positif selama periode yang cukup lama (setidaktidaknya enam bulan). Dari data yang diolah, didapat bahwa nilai SOI positif terjadi pada bulan
Desember, Januari, April dan Mei. Sehingga La Nina terjadi pada bulan tersebut. Jika
dihubungkan dengan suhu, pada saat La Nina, suhu cenderung rendah. Hal ini sesuai dengan
korelasi antara suhu dan SOI, dimana saat suhu rendah, maka SOI akan tinggi.
4.2.4 Uji Korelasi Partial
Pembahasan korelasi parsial berhubungan dengan perlunya mempertimbangkan pengaruh
atau efek dari variabel lain dalam menghitung korelasi antara dua variabel. Oleh karena itu,
dapat dikatakan korelasi parsial mengukur korelasi antar dua variabel dengan mengeluarkan
pengaruh dari satu atau beberapa variabel (disebut variabel kontrol).
Dalam uji parsial, yang merupakan variabel terikat adalaj suhu dan SOI, sedangkan
variabel kontrolnya adalah DO dan Salinitas. Dari hasil output, didapat nilai koefisien korelasi
adalah -0.327. Nilai koefisien positif berarti terjadi hubungan positif, Tetapi apabila nilai
koefisien bertanda negatif berarti terjadi hubungan yang negatif.
V. PENUTUP
5.1 Kesimpulan
Uji korelasi digunakan sebagai hubungan timbal balik atau sebab akibat atara dua buah
kejadian.
Uji korelasi partial digunakan untuk mengetahui ada atau tidaknya hubungan antara
panjang, lebar, tebal, berat daging, dan berat total kerang.
Uji ini bertujuan untuk menentukan model yang paling sesuai bagi pasangan data serta
dapat digunakan untuk membuat model dan menyelidiki hubungan antara dua variabel
atau lebih. Regeresi linier merupakan suatu model yang disumsikan mengikuti betuk
linier aatau garis klurus hubungan antara 2 variabel yang disebut sebagai dependent
variabel dan variabel prediktor.
5.2 Saran
Sebaiknya pada saat praktikum, ada penjelasan saat langkah analisa, sehingga ada gambaran
saat pembahasan.