Anda di halaman 1dari 18

KORELASI KOEFISIEN KORELASI Kkorelasi linear sederhana atau sering disebut saja korelasi mengukur derajat keeratan hubungan

antara dua varibel.Dalam bidang ekonomi analisis korelasi ini sering digunakan untuk mengetahui keeratan hubungan antara variabel,jika ternyata hasil analisis menunjukkan hubungan yang erat,maka analisis dilanjutkan ke analisis regresi untuk digunakan sebagai alat untuk meramalkan (forecasting) yang sangat berguna untuk perencanaan. Dalam mengkaji hubungan dua variabel,maka sering ditemui bahwa hubungan dua variabel ada yang positif dan ada yang negatif.Hubungan positif berarti nilai nilai yang besar dari suatu variabel berhubungan dengan nilai-nilai yang besar dari variabel lain,begitu pula nilai yang kecil dari variabel berhubungan dengan nilai yang kecil dari variabel lain.Bentuk hubungan yang demikian dinamakan dua variabel tersebut mempunyaikorelasi positif atau berkorelasi positif.Contoh dua variabel yang berkorelasi positif,misalnya variabel biaya advertensi dan hasil penjualan,pendapatan dan konsumsi,penerimaan negara dengan produksi barang ekspor,dan sebagainya.Sedangkan yang dimaksuddengan hubungan negatif merupakan kebalikan dari hubungan diatas, di mana nilai-nilai yang besar dari suatu variabel cenderung berhubungan dengan nilai-nilai yang kecil dari variabel lain.Bentuk ini disebut korelasi negatif.Contoh dua variabel yang berkorelasi negatif,misalnya jumlah akseptor KB dengan jumlah kelahiran,harga suatu barang dengan permintaan barang itu,pendapatan masyarakat dan jumlah kejahatan ekonomi,dan sebagainya.Bentuk hubungan dari dua variabeldapat dilihat pada diagram berikut:

(a)

X Koerasi x dan y positif

X (b) kolerasi x dan y negatif

(c)

Kolerasi x dan y positif

(d)

Kolerasi x dan y negatif

Dari gambar di atas, terlihat bahwa jika antara variabel x dan y ada hubungan, maka bentuk diagram tebaran teratur seperti gambar (a) untuk kolerasi positif dan gambar (b) untuk kolerasi negatif.pada gambar (a) terlihat bahwa nilai nilai yang kecil dari variabel x berhubungan dengan nilai yang kecil juga dari variabel y, begitupula nilai yang besar cenderung berhubungan dengan dengan nilai yang besar dari variabel diatas. Pada gambar ( b ) terlihat bahwa nilai nilai yang kecil dari variabel x cenderung berhubungan dengan nilai yang besar dari variabel y, demikian juga nilai yang kecil dari variabel y cenderung berhubungan dengan nilai yang besar dari variabel x. Pada gambar ( c ) dan gambar ( d ) kedua variabel tidak berkolerasi, hanya pada prinsipnya bentuk hubungan pada gambar ( c ) dengan bentuk hubungan pada gambar ( d ) berbeda. Pada gambar ( c ) terlihat ketidakteraturan hubungan x dan y, dimana tidak ada suatu pola hubungan diantara nilai nilai x dan y, tidak terlihat dengan kata lain naik atau turunnya x diikuti oleh naik atau turunnya y. Dengan kata lain naik atau turunnya x tidak mempengaruhi y, bentuk demikian dikatakan bahwa x dan y tidak berkolerasi, jadi dikatakan tidak ada hubungan atau hubungannya lemah sekali sehingga dapat diabaikan.Pada gambar (d ) terlihat bentuk hubungannya teratur, hanya memang keteraturannya bukan linearsehingga ini tidak berarti bahwa x dan y tidak berhubungan, hanya hubungannya tidak dapat digambarkan dalam pola linear sehingga memang secara linear tidak ada korelasi.Namun demikian kalau diperhatikan bahwa bentuk di atas mengikuti pola kudratik, dengan demikian x dan y berkorelasi secara non linear yaitu dalam bentuk kuadratik. Untuk kasus seperti ini, maka jika kita ingin mengukur keeratan hubungan x dan y tidak tepat kalau menggunakan korelasi linear, yang tepat adalah menggunakan korelasi linear, yang tepat adalah menggunakan korelasi non linear atau menggunakan korelasi linear setelah datanya ditransformasi sehingga menjadi atau mendekati linear. Dari sini dapat dibuat ketentuan bahwa untuk mengetahui kuat atau tidaknya hubungan x dan y, apabila hubungan x dan y dapat dinyatakan dengan fungsi linear (paling tidak mendekati linear) dan untuk itu diukur dengan suatu nilai statistik yang disebut koefisien korelasi.

Nilai koefisien korelasi ini berkisar antara -1 dan + 1. Koefisien korelasi dalam statistika dilambangkan dengan r untuk korelasi contoh (sample correlation) dan (baca rho) untuk korelasi populasi. Dengan demikian nilai r dapat dinyatakan sebagai berikut: -1 r 1 Jika r = 1, Jika r = -1, Jika r = 0, berarti hubungan x dan y positif sempurna ( mendekati 1 hubungannya sangat kuat dan positif) berarti x dan y mempunyai hubungan negatif dan sempurna ( mendekati -1, hubungannya sangat kuat dan negatif ). berarti x dan y tidak berhubungan (mendekati 0, hubungan x dan y lemah) Kuat ( - ) 0 Lemah (-) Lemah (+) Kuat (+)

Untuk menentukan nilai koefisien kolerasi digunakan rumus berikut : n n n n xiyi ( xi ) ( yi ) i=1 i=1 i=1 r = [n x ( xi )2 ] [ n y 2i (
2 i i =1 i =1 i =1 n n n

y )
i i =1

Contoh Ingin diketahui bagaimana hubungan antara % kenaikan biaya advertensi (x) dan % kenaikan hasil penjualan (y). Untuk itu diamati sebanyak 8 pengamatan. Data yang diperoleh sebagai berikut : x (% kenaikan biaya advertensi) : 1 2 4 5 7 9 10 12 y (% kenaikan hasil penjualan ) : 2 4 5 7 8 10 12 14 Hitung koefisien kolerasi r !

pemecahan :

Untuk menghitung nilai r , maka dibuat lembaran kerja berikut : x 1 2 4 5 7 9 10 12 8 xi=50 i=1 y 2 4 5 7 8 10 12 14 8 xi= 62 i=1 x2 1 4 16 25 49 64 100 144 8 x2i = 420 i=1 y2 4 16 25 49 643 100 144 196 8 xi2 = 598 i=1 xy 2 8 20 35 56 90 120 168 8 xi yi =499 i=1

Berdasrkam rumus r diatas, maka dapat dihitung : 8 (499) (50) (62) r = [.8(420) (50) 2 ] [.8(598) (62)2] Hubungan antara % kenaikan biaya advertensi (x) dan % kenaikan hasil penjualan (y) kuat sekali dan positif, ini berarti kenaikan biaya advertensi cenderung menaikkan hasil penjualan. Nilai r2 = (0,99)2 = (0, 9801) mempunyai arti bahwa sumbangan biaya advertensi terhadap variasi naik turunnya hasil penjualan sebesar 0,98 atau 98%, sedangkan sisanya 2% disebabkan faktor lain. Berdasarkan hasil ini, maka seorang manajer pemasaran mulai memperhitungkan bahwa faktor promosi penjualan memainkan peranan penting dalam penjualan produknya. Contoh lain : Ingin diketahui sejauh mana hubungan % kenaikan harga (x) dengan % kenaikan hasil penjualan. Untuk itu diamati sebanyak 10 pengamatan, dan hasilnya sebagai berikut : X : 2 4 5 6 8 10 11 13 14 15 Y : 15 14 12 10 9 8 6 4 3 2 Hitunglah koefisien korelasi r.

Pemecahan : Lembaran kerja : X y 2 4 5 6 8 10 11 13 14 15 15 14 12 10 9 8 6 4 3 2 x2 4 16 25 36 64 100 121 169 196 225 y2 225 196 144 100 81 64 36 16 9 4 xy 30 56 60 60 72 80 66 52 42 30

xi =88
i =1

10

yi = 83
i =1

10

x = 956
i =1 i

10

y = 875
i 1 i

10

xiyi = 548
i =1

10

10 (548) (88) (83) r = [10(956)-(88)2 ] {10(875) (83)2 ] = -1824 1838 , 368 = -0,99 Dari koefisien korelasi r = - 0,99 menunjukkan bahwa % kenaikan harga (x) berkorelasi negatif dan kuat dengan% kenaikan hasil penjualan (y), hal ini menunjukkan bahwa dengan naik nya harga cenderung menurunkan hasil penjualan. r = 10 (548) (88) (83) [10(956) (88) 2 ][10(10(875) (83) 2 ] -1824 = 1838 , 368 Dari koefisien korelasi r = -0,99 menunjukkan bahwa % kenaikan harga (x) berkorelasi negatif dan kuat dengan % kenaikan hasil penjualan (y), hal ini menunjukkan bahwa dengan naiknya harga cenderung menurunkan hasil penjualan. = - 0,99

PENGUJIAN KOEFISIEN KORELASI POPULASI () : Sama halnya dengan pengujian hipotesis mengenai nilai parameter yang lain, parameter korelasi juga dapat diuji berdasarkan statistik r yang diperoleh. Jika hipotesis nol (H0) yang akan diuji adalah : 0 H : = 0 dengan tandingannya H1 : 0, maka statistik yang digunakan adalah : r n2 t = 1 r2 yang akan berdistribusi menurut sebaran t-student dengan derajat bebas n-2. Misal: Berdasarkan data % kenaikan biaya advertensi (x) dan % kenaikan hasil penjualan (y) di atas, ujilah hipotesis bahwa, tidak ada hubungan ( = o) antara x dan y. Gunakan taraf nyata 5%. Penyelesaian : 1. 2. 3. 4. Ho : = 0 H1 : = 0 = 0,05 Daerah kritis: T < -2,447 dan T > 2,447 (lihat t0,05/2 ; 8 2 = t0,025 ; 6 = 2,447 Perhitungan: t = 1 r (0,99) = 1 0,99 2 = 2,42499/0,14107 = 17,190
2

5.

r n2

(8 2)

6.

Keputusan : Tolak Ho karena t= 17,190 berada dalam daerah kritis, hal ini berarti ada hubungan antara x dan y. Misal lain :

Ujilah hipotesis bahwa tidak ada hubungan antara % kenaikan hasil penjualan (y) berdasarkan data di depan (n = 10). Gunakan taraf nyata pengujian 1%. Penyelesaian : 1. 2. 3. 4 5. Ho : = 0 H1 : 0 = 0,01 Daerah kritis: T < - 3,355 dan T > Perhitungan : r n2 t = 1 r2 (-0,99) t = 1 (0,99) 2 -2,800 = 0,1411 6. Keputusan: Tolak Ho karena t = - 19,844 berada dalam daerah kritis, dengan demikian disimpulkan bahwa ada hubungan yang kuat dan negatif antara x dan y. = -19,844 (10 2)

3,355

( lihat t0,01/2;10-2 = t0,005 ; 8 = 3,355)

Di atas kita telah melihat bagaimana menguji hipotesis = 0, sekarang bagaimana kalau Ho bukan = 0 tetapi = o di mana o adalah suatu parameter hipotesis tertentu nilainya, misalnya = 0,75 dan sebagainya. Atau jika kita ingin membuat selang kepercayaan tertentu bagi . Untuk itu maka kita harus melakukan transformasi yang dinamakan transformasi Fisher Z, untuk mengubah skala dari r ke Z. Bentuk transformasi tersebut adalah: 1 Z = ln ( 1 r + r )

Ln adalah logaritma dengan bilangan dasar e = 2,71828

Distribusi dari Z kira-kira akan menyebar dengan: 1 + uz = ln ( ) serta 1 - 1


z

= n3

Dengan demikian statistik yang dipakai untuk pengujian hipotesis Ho : = 0 (dengan catatan 0 bukan 0) adalah: Z z = z 1 + r ln ( 1 - r = 1 n3 1 + r = n 3 { ln ( 1 - r n3 = 2 { ln 1 - r 1 + r ( n3 = 2 ( 1 ln { 1 + ) 1 - r } ) ) ln ( 1 1 + ) ) ln ( 1 1 + ) uz

1 + r ln

1 + } 1

n3 ln { 2

(1 + r) (1 -

) }

(1 - r ) (1 + )

Nilai z ini kemudian dibandingkan dengan daerah kritis. Selang kepercayaan (1 1 Z - z /2 n 3 < uz < Z + z /2 n3

) 100% bagi adalah : 1

Kemudian nilai di atas ditransformasi kembali dari Z ke , melalui: 1 + uz = ln ( 1 )

Atau dapat dilihat melalui tabel yang telah memuat nilai: 1 + r Z = ln ( 1 - r Contoh : Ujilah hipotesis Ho : = 0,75 untuk data % kenaikan biaya advertensi (x) dengan % kenaikan hasil penjualan (y) di depan, serta tentukan selang kepercayaan 95% bagi. Gunakan taraf nyata pengujian hipotesis 5%. )

Penyelesaian : 1. 2. 3. 4 5. Ho : = 0,75 H1 : 0,75 = 0,05 Daerah kritis : Z < - 1,96 dan Z > 1,96 Perhitungan : n 3 (1 + r) (1 )

= 2 (8 3) = 2 5 = 2

ln { (1 - r ) (1 + ) (1 + 0,99) ln { (1- 0,99) 0,4975 ln ( 0,0175 = 3,74 ) (1 - 0,75)

} (1 + 0,75)

= 1,1180 (3,3474) 6. Keputusan:

Tolak Ho karena z = 3,74 berada dalam daerah kritis, ini Berarti koefisien korelasi populasi () bukan 0,75.

Selang kepercayaan 95% bagi adalah: 1 Z z0,05/2 n3 1 + r Z = ln ( 1 - r 1 + 0,99 Z = = ln 2,647 ( 1 - 0,99 ) = ln ( 0,01 1,99 ) ) < uz < Z + z 0,05/2 n3 1

Jadi: 1 2,647 1,96 83 1,77 < uz < 3,524 < uz < 2,647 + 1,96 83 1

Atau sama dengan (lihat tabel): Kira-kira: 0,94 Contoh lain: Ujilah hipotesis Ho : = - 0,90 dengan taraf nyata 1% untuk data % kenaikan harga (x) dengan % kenaikan hasil penjualan (y) dari 10 pengamatan di depan. Tentukan juga selang kepercayaan 99% bagi . Penyelesaian : 1. 2. 3. 4. 5. Ho : H1 : = Daerah kritis: Perhitungan : = - 0,90 - 0,90 0,01 Z < - 2,58 dan Z > n3 Z = 2 10 3 = 2 ln ln { (1 - r ) (1 + ) < < 1

2,58

(1 + r) (1 -

) }

(1 -0,99) ( 1 + 0,90) { } (1 + 0,99) (1-0,90)

7 = 2 6. Keputusan: ln (

0,019 ) 0,199 = -3,107

Tolak Ho karena z = -3,107 berda dalam daerah kritis, jadi Kesimpulan bahwa bukan -0,90.

Selang kepercayaan 99% bagi adalah: 1 Z - z 0,01/2 < uz < Z + z 0,01/2 n3

1 n3

1 + r Z = ln ( 1 - r 1 -2,647 2,58 10 3 -2,647 0,975 -3,622 < uz < uz < uz ) =

1 - 0,99 ln ( ) = -2,647 1 + 0,99 1 < - 2,647 + 2,58 10 3 < -2,647 + 0,975

< -1,672

Atau kira-kira sama dengan (lihat tabel ) : -1 < < -0,93

LATIHAN (KERJAKAN ): Data berikut ini adalah x = harga barang per unit dalam ribuan rupiah serta y = hasil penjualan barang tersebut dalam jutaan rupiah. x y 1. 2. : : 20 150 35 125 60 105 100 100 150 92 300 77 500 62 800 58

Dari data di atas, hitunglah koefisien korelasi r, bagaimana kesimpulan anda? Ujilah hipotesis berikut:

Ho H1

: :

0 0

Gunakan taraf nyata 5 % 3. Ujilah hipotesis berikut : Ho : = -0,50

H1

-0,50

Gunakan taraf nyata 5 %, serta tentukan selang kepercayaan 95 % bagi . 4. Ujilah hipotesis berikut : Ho H1 : : = -0,75 -0,75

Gunakan taraf nyata 1 %, serta tentukan selang kepercayaan 99% bagi .

REGRESI

Dalam bidang sosial ekonomi sering kita ingin mengetahui bagaimana hubungan pengaruh dari variabel yang satu terhadap variabel yang lainnya. Misalnya bagaimana pengaruh setiap % kenaikakan hasil penjualan, dan sebagainya. Masalh ini merupakan masalah regresi. Dalam statistika dapat digunakan analisis regresi untuk menjawab permasalahan seperti diatas. Juga banyak ahli ekonomi menggunakan analisis regresai sebagai alat untuk meramalkan (forecasting) sesuatu variabel berdasarkan variabel tertentu. Jika hubungan fungsi dalam regresi dituliskan, maka dapat dibuat bentuk berikut y = f(x), yang berarti variabel y merupakan fungsi dari variabel x, berarti nilai ya akan tergantung pada nilai nilai x. Disini x dapat mengambil nilai berapa saja, sedang kan y tergantung pada x tersebut. Dengan demikian dalam analisis regresi y disebut variabel tak bebas (dependen variabelt ) sedangakan x disebut variabel bebas ( independent ). REGRESI LINIER SEDERHANA ( SIMPLE LINIER REGRESSION ) : Regresi linier sederhana merupakan suatu fungsi yang hanya terdiri dari satu variabel bebas (x). Misalnya % kenaikan hasil penjualan diduga berdasarkan satu variabel % kenaikan biaya advertensi, % kenaikan hasil penjualan diduga berdasarkan satu variabel % kenaikan harga, jumlah konsumsi berdasarkan jumlah pendapatan, dan sebagainya. Dalam kasus diatas, dapat kita tulis dalam bentuk fungsi y = f (x) ; Disini y dapat berupavariabel % kenaikan hasil penjualan atau variabel jumlah konsumsi. x adalah % kenaikan biaya advertensi, % kenaikan harga, atau jumlah pendapatan. Jika regresi linier sederhana ditulis dalam bentuk persamaan, maka persamaan regresi linier sederhana adalah Y= + X + Disinio bentuk diatas merupakan model yang berlaku dalam populasi : dengan : adalah parameter konstanta merupakan intersep yaitu nilai Y pada X = 0, adalah parameter regresi yang merup[akan koefisien arah, dimana kalau x bertamjbah 1 unit maka y akan bertambah sebesar kali adalah error ( kesalahan ). Dari model populasi diatas, kemudian akan diduga dan apabila kita hanya melakukan pengamatan contoh ( sample ). Untuk itu model pendugaan regresi berdasarkan contoh yang diamati adalh : y = a + bx

Tentu saja perlu diasumsikan bahwa E (i) = 0 dan i 2 2 = 2

Dari persamaan y = a+ bx, disini a adalah kemiringan garis ( slope ) yang merupakan besar perubahan nilai y yang disebabkan perubahan 1 unit xb ini disebut koefisien regresi. Dengan menggunukan pendugaan metode kuadrat terkecil ( Least Squares Method ) maka untuk regresi linier sederhana dalam menduga nilai a dan b dapat diturunkan persamaan normal berikut: n n yi = na + b xi i = 1 i = 1 xi yi - a = a xi + b xi2 I=1 i=1 i=1 Penyelesaian persamaan normal di atas, menghasilkan:

n xi y i ( xi )( y i )
i =1 i =1 n i =1

= n xi2 ( xi ) 2
i =1 i =1 n

Contoh : Tentukan persamaan regresi linier sederhana dari data berikut : x = pendapatan perkapita dalam ribuan rupiah y = pengeluaran konsumsi perkapita dalam ribuan rupiah x = 18 23 28 32 41 59 86 99 y = 17 20 23 27 32 46 63 74

Penyelesaian :

Buat lembaran kerja berikut : X 18 23 28 32 41 59 86 99 y 17 20 23 27 32 46 63 74 = 386 x2 324 529 784 1024 1681 3481 7396 9801 y2 286 400 529 729 1024 2116 3969 5476 Xy 306 406 644 864 1312 2714 5418 7326

x
i =1

y
i =1

= 302

x
i =1

2 i

y
i =1

2 i

x y
i =1 i

x = 48,25
n

y = 37,75
n n

25020

14532

19044

n xi y i ( xi )( y i )
i =1 n i =1 i =1

= n xi2 ( xi ) 2
i =1 i =1 n

8 (19044) - ( 386) (302) = 8 (25020) (386)2 = 0,6993

= y - b x

= 37,75 - 0,6993 (48,25) = 4,0088

Sehingga persamaan regresi adalah : y = 4,0088 + 0,6993 x

0,6993 berarti jika x naik 1 unit maka y akan bertambah 0,6993 kali, jadi kalau pendapatan per kapita naik Rp 1.000 maka konsumsi naik

0,6993 x Rp.1.000 = Rp. 699,3 Dalam fungsi konsumsi, b ini sama saja dengan MPC ( marginal propensity to consume ). Yang menunjukkan banyaknya kenaikan pendapatan per unit dipergunakan untuk memenuhi konsumsi. Persamaan regresi y = 4,0088 + 0,6993 x dapat digunakan untuk meramalkan nilai y, misalnya pendapatan perkapita menjadi Rp. 100.000 maka ramalannya y = 4, 0088 + 0, 6993 (100) = 73, 9388 Ini berarti kalau pendapoatan per kapita (x) = Rp. 100.000, maka diharapkan konsumsi (y) = Rp. 73. 938,80. Galat Baku Koefisien Regresi : Galat baku ( standart error ) koefisien regresi b penting untuk diduga terutama untuk pendugaan selang bagi serta pengujian hipotesis untuk . Standart error dugaan dihitung dengan rumus :

Berdasarkan nilai standart error dugaan Se diatas, maka dapat ditentukan galat baku ( standart error ) koefisien regresi b , sebagai berikut. Ragam koefisien regresi adalah : S2e S2b = n - ( xi )2 n i=1 sehingga ga;lat baku regresi b adalah .. rumus

pendugaan selang (1 ) 100% bagi parameter adalah : Brumussssssssssssss

Kemudian dibandingkan dengan sebaran student dengan derajat bebas n 2. Contoh : Dari koefisien yang telah dihitung untuk data x = pendapatan per kapita serta y = konsumsi per kapita di depan, hituinglah ragam dugaan (S2y), galat baku ( standart error ) dugaan (Se), ragam koefisien

Beri Nilai