PENDAHULUAN
1.1 Latar Belakang
Statistika
adalah
ilmu
yang mempelajari
bagaimana
merencanakan,
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?
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
BAB III
PEMBAHASAN
Achenwall (1749)
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,
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).
Berikut adalah data biaya promosi dan volume penjualan PT. Sukasukaku perusahaan
minyak goreng.
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)
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.
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.