BAB I

PENDAHULUAN
1.1 Latar Belakang
Statistika

adalah

ilmu

yang mempelajari

bagaimana

merencanakan,

mengumpulkan, menganalisis dan mempresentasikan data. Singkatnya, statistika

adalah ilmu yang berkenan dengan data. Statistika dibagi menjadi dua, yaitu Statistika
Deskriptif dan Statistika Inferensial. Statistika deskriptif berkenaan dengan deskripsi
data, misalnya dari menghitung rata-rata dan varians dari data mentah;
mendeksripsikan menggunakan tabel-tabel atau grafik sehingga data mentah lebih
mudah dibaca dan lebih bermakna. Sedangkan statistika inferensial lebih dari itu,
misalnya melakukan pengujian hipotesis, melakukan prediksi observasi masa depan,
atau membuat model regresi. Untuk saat ini, kami akan membahas tentang ilmu
Statistika Deskriptif.
Statistika dalam arti sempit berarti kumpulan data berupa angka, penyajian
data dalam table dan grafik, bilangan yang menunjukan karakteristik dari kumpulan
data. Statistika dalam arti luas yaitu metode yang digunakan dalam pengumpulan dan
analisis data yang berupa angka-angka sehingga dapat diperoleh informasi yang
berguna. Statistika adalah suatu metode yang menjelaskan tata cara pengumpulan,
penyusunan, penyajian, penganalisaan, dan penginterprestasian data menjadi
informasi yang lebih berguna. (wikipedia).
Menurut Sudjana (1996:7), Statistika Deskriptif adalah fase statistika dimana
hanya berusaha melukiskan atau menganalisa kelompok yang diberikan tanpa
membuat atau menarik kesimpulan tentang populasi atau kelompok yang lebih besar
dinamakan Statistika Deskriptif.

Dalam materi Statistika Deskriptif, terdapat Regresi dan Korelasi. Regresi dan
korelasi digunakan untuk mempelajari pola dan mengukur hubungan statistik antara
dua atau lebih variabel.
Sepanjang sejarah umat manusia,orang melakukan penelitian tentang ada
tidaknya hubungan antara dua hal,fenomena,kejadian atau lainnya. Dan ada tidaknya
pengaruh antara satu kejadian dengan kejadian yang lainnya. Karena itu untuk
mempermudah dalam melakukan penghitungan suatu kejadian maka digunakan
korelasi dan regresi dalam ilmu statistika.
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi / hubungan (Measures of association). Teknik ini berguna untuk
mengukur kekuatan hubungan antara dua variabel (kadang lebih dari dua variabel)
dengan skala-skala tertentu.
Regresi merupakan salah satu analisis yang bertujuan untuk mengetahui
pengaruh suatu variabel terhadap variabel lain .Dalam analisis regresi ,variabel yang
mempengaruhi disebut independent variabel (variable bebas) dan variabel yang
dipengaruhi disebut dependent variabel (variabel terikat).
Maka dari itu, kami membuat makalah ini dengan judul Analisa Korelasi dan
Regresi.
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas, dapat di rumuskan sebuah permasalahan sebagai
berikut:
1. Apa pengertian Regresi dan Korelasi?
2. Apa kegunaan Regresi dan Korelasi?
3. Apa macam-macam Regresi dan Korelasi?

1.3 Tujuan Penulisan

Berikut ini adalah beberapa tujuan penulisan makalah:
1. Untuk memenuhi persyaratan dalam memperoleh nilai UAS Statistika
Deskriptif semester III.
2. Untuk mengetahui pengertian dan perhitungan Regrasi dan Korelasi.
3. Untuk mengetahui cara perhitungan Ukuran Gejala Pusat Data yang belum di
kelompokkan.
4. Membuat para mahasiswa lebih mengetahui dan memahami materi ini melalui
analisa data, penarikan kesimpulan dan pembuat keputusan.
1.4. Metode Penulisan
Dalam penulisan makalah ini kami menggunakan metode study kepustakaan yaitu
proses pencarian dan pengumpulan data dari buku-buku dan situs-situs yang
berhubungan dengan judul makalah yang kami buat.

BAB II
KAJIAN TEORI
2.1 Pengertian Regresi
Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton pada tahun
1886. Galton menemukan adanya tendensi bahwa orang tua yang memiliki tubuh
tinggi memiliki anak-anak yang tinggi, orang tua yang pendek memiliki anak-anak
yang pendek pula. Kendati demikian. Ia mengamati bahwa ada kecenderungan tinggi
anak cenderung bergerak menuju rata-rata tinggi populasi secara keseluruhan.
Dengan kata lain, ketinggian anak yang amat tinggi atau orang tua yang amat pendek
cenderung bergerak kearah rata-rata tinggi populasi. Inilah yang disebut hukum

Golton mengenai regresi universal. Dalam bahasa galton, ia menyebutkan sebagai

regresi menuju mediokritas.
Hukum regresi semesta (law of universal regression) dari Galton diperkuat
oleh temannya Karl Pearson, yang mengumpulkan lebih dari seribu catatan tinggi
anggota kelompok keluarga. Ia menemukan bahwa rata-rata tinggi anak laki-laki
kelompok ayah (yang) pendek lebih besar dari pada tinggi ayah mereka, jadi
mundurnya (regressing) anak laki-laki yang tinggi maupun yang pendek serupa
kea rah rata-rata tinggi semua laki-laki. Dengan kata lain Galton, ini adalah
kemunduran kearah sedang.
Secara umum, analisis regresi pada dasarnya adalah studi mengenai
ketergantungan satu variabel dependen (terikat) dengan satu atau lebih variabel
independent (variabel penjelas/bebas), dengan tujuan untuk mengestimasi dan/ atau
memprediksi rata-rata populasi atau niiai rata-rata variabel dependen berdasarkan
nilai variabe! independen yang diketahui. Pusat perhatian adalah pada upaya
menjelaskan dan mengevalusi hubungan antara suatu variabel dengan satu atau lebih
variabel independen.
Hasil analisis regresi adalah berupa koefisien regresi untuk masing-masing
variable independent. Koefisien ini diperoleh dengan cara memprediksi nilai variable
dependen dengan suatu persamaan.
2.2 Pengertian 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 taub, dan Spearman Correlation. Pearson Correlation digunakan untuk data berskala
interval atau rasio, sedangkan Kendalls tau-b, 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.

BAB III
PEMBAHASAN

3.1 Sejarah Statistika

Gottfried

Achenwall (1749)

menggunakan Statistik dalam bahasa

Jerman untuk pertama kalinya sebagai nama bagi kegiatan analisis data kenegaraan,
dengan mengartikannya sebagai ilmu tentang negara (state). Pada awal abad ke19 telah terjadi pergeseran arti menjadi ilmu mengenai pengumpulan dan klasifikasi
data. Sir John Sinclair memperkenalkan nama (Statistics) dan pengertian ini ke
dalam bahasa Inggris. Jadi, statistika secara prinsip mula-mula hanya mengurus data
yang dipakai lembaga-lembaga administratif dan pemerintahan. Pengumpulan data
terus berlanjut, khususnya melalui sensus yang dilakukan secara teratur untuk
memberi informasi kependudukan yang berubah setiap saat.
Pada abad ke-19 dan awal abad ke-20 statistika mulai banyak menggunakan
bidang-bidang dalam matematika, terutama peluang. Cabang statistika yang pada saat
ini sangat luas digunakan untuk mendukung metode ilmiah, statistika inferensi,
dikembangkan pada paruh kedua abad ke-19 dan awal abad ke-20 oleh Ronald
Fisher (peletak dasar statistika inferensi), Karl Pearson(metode regresi linear),
dan William Sealey Gosset (meneliti problem sampel berukuran kecil). Penggunaan
statistika pada masa sekarang dapat dikatakan telah menyentuh semua bidang ilmu
pengetahuan, mulai dari astronomi hingga linguistika.
Bidang-bidang ekonomi, biologi dan

cabang-cabang

terapannya,

serta psikologi banyak dipengaruhi oleh statistika dalam metodologinya. Akibatnya

lahirlah ilmu-ilmu gabungan seperti ekonometrika, biometrika (atau biostatistika),
dan psikometrika.
Meskipun ada pihak yang menganggap statistika sebagai cabang dari matematika,
tetapi sebagian pihak lainnya menganggap statistika sebagai bidang yang banyak
terkait dengan matematika melihat dari sejarah dan aplikasinya. Di Indonesia, kajian
statistika sebagian besar masuk dalam fakultas matematika dan ilmu pengetahuan
alam, baik di dalam departemen tersendiri maupun tergabung dengan matematika.

3.2 Analisis Regresi

Jika dalam analisis korelasi peneliti hanya tertarik pada derajat asosiasi atau
kecenderungan umum dua buah peubah atau lebih, maka dalam analisis regresi
peneliti ingin memperoleh hubungan fungsional antara dua peubah yang dinyatakan
dalam bentuk , Y a bX = + yang merupakan penduga dari fungsi yang ada pada
populasi yang biasa dinotasikan dengan 0 1 , atau = , Y X Y X = ++ atau untuk
peubah bebas lebih dari satu dinyatakan sebagai = , Y X X ++ Melalui analisis
regresi peneliti ingin menghitung nilai penduga untuk j yang sesuai dengan data.
Selain melakukan penghitungan nilai penduga untuk j juga sekaligus melakukan uji
apakah nilainya signifikan atau dapat diabaikan (tidak signifikan). Regresi mengukur
seberapa besar suatu variabel mempengaruhi variabel yang lain, sehingga dapat
digunakan untuk melakukan peramalan nilai suatu variabel berdasarkan variabel lain.
Analisa regresi ada dua : Analisa Regresi Sederhana dan Analisis Regresi Berganda.
Analisis regresi linier berganda adalah hubungan secara linear antara dua atau
lebih variabel independen (X1, X2,.Xn) dengan variabel dependen (Y). Analisis ini
untuk mengetahui arah hubungan antara variabel independen dengan variabel
dependen apakah masing-masing variabel independen berhubungan positif atau
negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan. Data yang digunakan biasanya
berskala interval atau rasio.
Analisis regresi sederhana hanya terdiri atas satu peubah bebas (peubah
penjelas/eksplanatori) X dan satu peubah terikat (respon) Y dengan hubungan linier.
Kedua peubah ini merupakan peubah kuantitatif, khusus untuk Y harus dengan skala
interval atau rasio. Dengan visualisasi secara geometris dapat ditafsirkan bahwa
dengan analisis regresi kita ingin menduga garis populasi yang sesungguhnya tidak
pernah diketahui (garis lurus putus-putus) berdasarkan sampel pasangan data pada
sampel. Persoalanvini merupakan persoalan estimasi uji inferensi daam regresi. Garis

regresi penduga ini dapat dipergunakan untuk meramal (prediksi) rentang rata-rata
nilai Y pada saat nilai X diketahui, demikian juga rentang nilai-nilai Y pada saat nilai
tertentu dari X .
Berikut ini adalah contoh rumus :
Keterangan :
Y = nilai yang diukur/dihitung pada variabel tidak bebas
x = nilai tertentu dari variabel bebas
a = intersep/perpotongan garis regresi dengan sumbu y
b = koefisien regresi /kemiringan dari garis regresi/untuk mengukur kenaikan atau
penurunan y untuk setiap perubahan satu-satuan x /untuk mengukur besarnya
pengaruh x terhadap y kalau x naik satu unit.
3.2 Analisa Korelasi
Analisa Korelasi digunakan untuk mengukur kekuatan keeratan hubungan antara dua
variabel melalui sebuah bilangan yang disebut koefisien korelasi. Dalam analisis
korelasi, kita menghitung derajat asosiasi antara satu peubah peubah lain (misalnya
antara berat badan dan tinggi badan, antara berat dengan kolesterol, antara nilai IQ
dengan perolehan nilai ujian mata matematika dan sebagainya). Ada dua jenis ukuran
korelasi yang banyak yaitu:
Korelasi produk momen Pearson untuk mengukur derajat asosiasi beberapa peubah
dengan skala interval atau rasio.
Korelasi Spearman untuk mengukur derajat asosiasi antara beberapa dengan skala
ordinal (rank).

Koefisien korelasi linier ( r ) adalah ukuran hubungan linier antara dua

variabel/peubah acak X dan Y untuk mengukur sejauh mana titik-titik menggerombol
sekitar sebuah garis lurus regresi. Berikut ini adalah rumus dari Korelasi :
Koefisien korelasi atau derajat asosiasi dua peubah (dinotasikan dengan r). Besarnya
r berkisar antara -1<.r<1. Ilustrasi grafik sebaran data dengan berbagai nilai korelasi
dapat disajikan dalam bentuk diagram pencar.
Kegunaan diagram pencar :
Membantu menunjukkan apakah terdapat hubungan yang bermanfaat antara dua
variabel.
Membantu menetapkan tipe persamaan yang menunjukkan hubungan antara kedua
variabel tersebut.
Menentukan persamaan garis regresi atau mencari nilai-nilai konstan.
Koefisien Determinasi ( r2 )
nilainya antara 0 dan 1
untuk menyatakan proporsi keragaman total nilai-nilai peubah Y yang dapat
dijelaskan oleh nilai-nilai peubah X melalui hubungan linier tersebut.
Contoh : r = 0,6 artinya 0,36 atau 36 % diantara keragaman total nilai-nilai Y dapat
dijelaskan oleh hubungan liniernya dengan nilai-nilai X. atau Besarnya sumbangan X
terhadap naik turunnya Y adalah 36 % sedangkan 64 % disebabkan oleh faktor lain.

3.4 Contoh Regresi dan Korelasi

Berikut adalah data biaya promosi dan volume penjualan PT. Sukasukaku perusahaan
minyak goreng.

Bentuk umum persamaan regresi linier sederhana: Y=a+bx

a=5
Peramalan dengan persamaan Regresi
Contoh:
Diketahui hubungan biaya promosi (x dalam juta rupiah) dan Y (volume penjualan
dalam ratusan juta liter) dapat dinyatakan dalam persamaan regresi linier berikut:
Y=2.530+1.053X
Perkiraan volume penjualan jika dikeluarkan biaya promosi Rp. 10 juta adalah?

Jawab:
Y=2.530+1.053X
X=10=y=2.53+1.053(10)=2.53+10.53=13.06 (ratusan juta liter)
Volume penjualan = 13.06 x 100.000.000 liter
Korelasi
Jika nilai r mendekati +1 atau r mendekati -1 maka X dan Y memiliki korelasi linier
yang tinggi.
Jika nilai r = +1 atau r = -1 maka X dan Y memiliki korelasi linier sempurna
Jika nilai r = 0 maka X dan Y tidak memiliki hubungan linier
Lihat contoh diatas, setelah mendapatkan persamaan regresi Y=2.530+1.053X, hitung
koefisien korelasi (r) dan koefisien determinasi (R).
Gunakan data berikut (lihat contoh diatas)

Nilai r = 0.9857 menunjukkan bahwa peubah X (biaya promosi) dan Y (volume

penjualan) berkorelasi linier yang positif dan tinggi.
R= r2 = 098572..=0.97165=97%
Nilai R=97% menunjukkan bahwa 97% proporsi kergaman nilai peubah Y (volume
penjualan) dapat dijelaskan oleh nilai peubah X (biaya promosi) melalui hubungan
linier. Sisanya, yaitu 3% dijelaskan oleh hal-hal lain.

3.5 Analisis Korelasi dan Regresi dengan Excel

Untuk dapat menggunakan perintah data analisis:
Aktifkan program Microsoft Excel hingga terdapat worksheet kosong.
Klik File, Klik Menu Options,
Sebuah kotak dialog Excel Options ditampilkan, dan klik menu add-ins,
Dibagian bawah terdapat kotak Manage: Excel Add-ins. Klik icon Go.
Check list Anaylsis Tool Pak dan klik Go

Analisis Regresi
Analisis regresi bertujuan untuk melihat pengaruh satu variabel terhadap variabel
lainnya.
Langkah-langkah membuat Regresi dengan menggunakan excel:
Ketik data X pada kolom B dan data Y pada kolom C
Pilih Data pada menu utama
Pilih Data Analysis
Pilih Regression
Klik OK Setelah muncul kotak dialog
Pada input Y range , sorot pada range C3:C7
Pada input X range, sorot pada range B3:B7
Pada output range, ketik A9

Klik OK
Maka hasil yang akan dikeluarkan adalah sebagai berikut:

Analisis Korelasi
Analisis korelasi juga dapat digunakan dalam Excel.
Korelasi menunjukkan keeratan hubungan antar variabel
Keeratan tersebut dicerminkan dari nilai korelasi yang semakin tinggi.
Nilai korelasi berada di antara 0 hingga 1
Tanda nya dapat positip dan negatif
Positip menunjukkan hubungan dua variabel searah sedang negatif menunjukkan
hubungan kedua variabel berlawanan.

Langkah-langkahnya membuat korelasi dengan menggunakan excel:

Pilih Data pada menu utama
Pilih Data analysis
Pilih Correlation
Klik OK Setelah muncul kotak dialog
Pada Input Range, sorot pada range A2:B11
Pada Output Range, ketik D23
Klik OK

Maka hasil yang akan dikeluarkan adalah sebagai berikut:

Membuat grafik regresi linier

Pilih menu Insert Scatter, pilih type scatter only mark
Pada Chart Layout dimenu bar, pilih Layout ke 3. Maka hasil yang akan keluar adalah
sebagai berikut.

3.6 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.

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.
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:
tanaman mati kekeringan di musim kemarau
pupuk kompos diberikan saat musim kemarau
Dari kedua pernyataan di atas, kita tidak dapat mengatakan bahwa pupuk kompos
menyebabkan tanaman mati meskipun korelasinya tinggi.
3.7. 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. Misalnya, kita akan
memperkirakan nilai jual sebuah rumah di suatu daerah tertentu. Kita dapat
mengambil sampel acak dari ratusan rumah yang ada dalam daerah tersebut,
kemudian kita menghitung rerata harga jualnya. Tetapi, menggunakan metode ini,
kita mengabaikan informasi yang mudah diamati, misalnya luas lantai, banyaknya
kamar tidur, banyaknya kamar mandi, dan umur rumah tersebut. Informasi ini akan
lebih bermanfaat kalau digunakan menaksir nilai jual rumah yang bersangkutan.
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.
Pertama-tama kita akan membicarakan masalah yang berkaitan dengan nilai rerata
suatu peubah terikat Y (katakanlah harga jual rumah) terhadap suatu peubah bebas X
(misalnya luas lantai rumah) dengan menggunakan hubungan linear. Model ini
disebut model linear karena semua peubah yang muncul dalam model itu berpangkat
satu. Kalau dilihat dari banyaknya peubah bebas dalam model, maka model itu
disebut model linear sederhana, karena hanya mempunyai satu peubah bebas.
Dalam hal mempelajari hubungan antarpeubah, regresi linear bukan satu-satunya
model yang harus digunakan, kita juga dapat menggunakan model nonlinear, seperti
model kuadratik, kubik, eksponen, logaritma, dan lain-lain. Penentuan model

tergantung pada sifat peubah atau Pemilihan Peubah dalam Model populasi tempat
data diambil. Sebelum menentukan model pilihan, kita perlu mengadakan suatu
diagnosis terhadap data yang diperoleh. Diagram pencar adalah salah satu alat
diagnosis untuk mendapatkan gambaran tentang hubungan antara peubah bebas dan
peubah terikat. Dari diagram pencar itu, kita dapat memperkirakan bahwa model yang
relevan

adalah

linear

atau

nonlinear.

Selanjutnya, kalau kita memasukkan lebih dari satu peubah bebas dalam model, maka
diperoleh model regresi ganda (multiple regression model). Seperti model sederhana,
model regresi ganda dapat juga dibedakan atas model regresi linear ganda dan model
regresi nonlinear ganda. Dalam hal ini, kita dapat membangun model satu peubah
tanggapan Y (katakanlah nilai jual rumah) sebagai fungsi dari peubah-peubah
kuantitatif (seperti luas lantai, umur rumah, luas pekarangan, dan banyaknya kamar),
atau sebagai fungsi dari peubah-peubah kualitatif (seperti jenis konstruksi, dan
lokasi).
Penggunaan Paket Komputer dalam StatistikaTersedianya 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.
Proses analisis, terutama perhitungan dapat dilakukan dengan cepat sekali tanpa ada
kesalahan hitung.
Peneliti dapat menghindari pekerjaan hitung yang memerlukan waktu lama apabila
dikerjakan dengan cara manual, yang akibatnya bisa melelahkan dan terjadinya
kesalahan.
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:
Ketika menganalisis data dan tidak memiliki pengetahuan statistika yang cukup untuk
mengerti secara lengkap hasil (out put) komputer yang diperoleh;
ketika mengajarkan penggunaan paket statistika dalam suatu pelatihan yang terpisah
dari pengajaran statistika;
ketika menggunakan paket statistika dalam pengajaran bidang tertentu tanpa
memerlukan metode statistika yang menunjang paket tersebut.
BAB IV
PENUTUP
Kesimpulan

Korelasi merupakan hubungan antara dua kejadian dimana kejadian yang satu dapat
mempengaruhi eksistensi kejadian yang lain, Misalnya kejadian X mempengerahui
kejadian Y. Apabila dua variable X dan Y mempunyai hubungan, maka nilai variable
X yang sudah diketahui dapat dipergunakan untuk memperkirakan/menaksir atau
meramalkan Y. Ramalan pada dasarnya merupakan perkiraan/taksiran mengenai
terjadinya suatu kejadian(nilai suatu variabel) untuk waktu yang akan datang.
Variable yang nilainya akan diramalkan disebut variable tidak bebas (dependent
variable), sedangkan variabel C yang nilainya dipergunakan untuk meramalkan nilai
Y disebut variable bebas (independent variable) atau variable peramal (predictor) atau
seringkali disebut variable yang menerangkan (explanatory).

Jadi jelas analisis korelasi ini memungkinkan kita untuk mengetahui suatu di luar
hasil penyelidikan, Salah satu cara untuk melakukan peramalan adalah dengan
menggunakan garis regresi. Untuk menghitung parameter yang akan dijadikan dalam
penentuan hubungan antara dua variabel, terdapat beberapa cara, yaitu: koefisien
detreminasi, koefisien korelasi. Apabila terdapat data berkelompok menggunakan
koefisien data berkelompok dan bila menggunakan data berganda maksudnya
variabel bebas yang mempengaruhi variabel terikat ada dua, maka menggunakan
koefisien berganda.Sedangkan regeresi di bagi menjadi dua, yaitu regresi linier dan
regresi non linier. Dimana regresi linier juga dibagi menjadi dua yakni regresi linier
sederhana dan regresi linier berganda.