BAB I

PENDAHULUAN

1.1 Latar Belakang

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).

Statistik dapat memberikan gambaran, baik gambaran secara khusus maupun gambaran

secara umum tentang suatu gejala, keadaan atau peristiwa dari waktu ke waktu. Dalam

perkembangan medis, ekonomi dan bisnis memilki keterkaitan. Ketidakpastian merupakan

masalah yang senantiasa dihadapi seperti halnya dalam memprediksi jumlah pasien dan nilai

pembelian obat untuk periode yang akan datang. Dalam hal ini data statistik merupakan faktor

penting sebagai landasan dasar dalam pengambilan keputusan-keputusan analisa,

mengevaluasi dan mengadakan perkiraan terhadap suatu pembelian. Dengan perhitungan ini

maka pihak rumah sakit bisa memperkirakan persediaan obat-obatan yang dibutuhkan.

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

1
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.

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”.

2
1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, dapat di rumuskan sebuah permasalahan sebagai berikut:

1. Apa pengertian Regresi dan Korelasi?

2. Apa perbedaan Regresi dan Korelasi?

3. Apa kegunaan Regresi dan Korelasi?

1.3 Tujuan Penulisan

Berikut ini adalah beberapa tujuan penulisan makalah :

1. Untuk memenuhi persyaratan dalam memperoleh nilai Tugas Mata Kuliah Statistik.

2. Untuk mengetahui pengertian dan perhitungan Regrasi dan Korelasi.

3. 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 dibuat.

3
 BAB II

KAJIAN TEORI

2.1 Pengertian Regresi

Analisis regresi merupakan alat analisis staistik yang memanfaatkan hubungan antara

dua variabel atau lebih. Tujuannya adalah untuk membuat perkiraan (prediksi) yang dapat

dipercaya untuk nilai suatu variabel (biasa disebut variabel terikat atau variabel dependent

atau variabel respons), jika nilai variabel lain yang berhubungan dengannya diketahui (biasa

disebut variabel bebas atau variabel independent atau variabel prediktor).

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”.

4
 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, Kendall’s tau-b, dan Spearman Correlation. Pearson

Correlation digunakan untuk data berskala interval atau rasio, sedangkan Kendall’s tau-

b, dan Spearman Correlation lebih cocok untuk data berskala ordinal.

5
 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.

6
 BAB III

PEMBAHASAN

3.1 Analisis Regresi

Analisis regresi merupakan alat analisis staistik yang memanfaatkan hubungan antara dua

variabel atau lebih. Tujuannya adalah untuk membuat perkiraan (prediksi) yang dapat

dipercaya untuk nilai suatu variabel (biasa disebut variabel terikat atau variabel dependent atau

variabel respons), jika nilai variabel lain yang berhubungan dengannya diketahui (biasa disebut

variabel bebas atau variabel independent atau variabel prediktor).

Analisis regresi pertama kali dikenalkan sebagai metode analisis statistik pada tahun 1877

oleh Sir Francis Galton (1822-1911) yang meneliti tentang hubungan antara tinggi badan orang

tua (ayah) dengan anaknya. Beliau mengungkapkan bahwa terdapat kecenderungan orang tua

yang tinggi badannya akan memiliki anak yang tinggi pula atau sebaliknya orang tua yang

pendek badannya akan memiliki anak yang pendek pula, tetapi distribusi (penyebaran) rata-

rata tinggi badan dari generasi kegenerasi adalah tetap.

Selanjutnya hasil analisis Galton disempurnakan oleh Karl Pearson dengan mengambil

sampel lebih dari 1000 pengamatan. Pearson menemukan bahwa untuk kelompok anak yang

tinggi dan kelompok orang tua yang tinggi, ternyata tinggi badan anak lebih pendek dari

ayahnya. Sedangkan dari kelompok ayah dan anak yang lebih pendek, ternyata tinggi badan

anaknya lebih tinggi dari ayahnya. Peristiwa yang berbalikan inilah disebut merosot (to regres).

Tujuan Analisis Regresi :

7
 1. Untuk memperoleh suatu persamaan garis yang menunjukkan persamaan hubungan

antara dua variabel. Persamaan garis yang diperoleh disebut persamaan regresi.

2. Untuk mengetahui besarnya pengaruh perubahan tiap unit variabel bebas terhadap

perubahan variabel terikatnya. Pengaruh perubahan tiap unit variabel bebas ditunjukkan

oleh nilai koefisien regresinya.

3. Untuk menaksir nilai variabel terikat (Y) berdasarkan variabel bebas (X) yang nilainya

telah diketahui. Penaksiran disini bersifat deterministik (pasti) atau non-stokastik,

maksudnya penaksiran atau pendugaan yang dilakukan mengabaikan faktor

ketidakpastian.

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

8
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

Analisis korelasi adalah alat statistik yang digunakan untuk mengetahui derajat hubungan

linear antara variable yang satu dengan yang lainnya.

Terdapat perbedaan dan hubungan yang mendasar antara analisis korelasi dan regresi dari

segi kegunaan, analisis korelasi digunakan untuk mencaari arah dan kuatnya hubungan antara

dua variabel, sedangkan analisis regresi digunakan untuk memprediksikan seberapa jauh

perubahan nilai variabel dependen bila nilai variabel independen diketahui. Perbedaan lainnya

adalah analisis korelasi posisinya antar variabel setara, sedangkan analisis regresi (linear

sederhana) posisi antar variabel tidak setara (yang satu merupakan variabel dependen dan

lainnya variabel indpenden).

Dalam penerapannya terdapat beberapa ukuran korelasi, tiga di antaranya yang paling sering

digunakan adalah koefisien korelasi product moment Pearson (digunakan dalam statistik

parametik, biasa digunakan untuk data interval dan rasio), korelasi tingkat Spearman, dan

korelasi tou kendall (digunakan dalam statistic nonparametik, biasa digunakan untuk data

nominal dan ordinal).

Analisa Korelasi digunakan untuk mengukur kekuatan keeratan hubungan antara dua variabel

melalui sebuah bilangan yang disebut koefisien korelasi. Dalam analisis korelasi, kita

9
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:

1. Korelasi produk momen Pearson untuk mengukur derajat asosiasi beberapa peubah

dengan skala interval atau rasio.

2. 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 :

1. Membantu menunjukkan apakah terdapat hubungan yang bermanfaat antara dua

variabel.

2. Membantu menetapkan tipe persamaan yang menunjukkan hubungan antara kedua

variabel tersebut.

3. Menentukan persamaan garis regresi atau mencari nilai-nilai konstan.

 Koefisien Determinasi ( r2 )

10
 1. nilainya antara 0 dan 1

2. untuk menyatakan proporsi keragaman total nilai-nilai peubah Y yang dapat

dijelaskan oleh nilai-nilai peubah X melalui hubungan linier tersebut.

3. 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.

3.3 Contoh Regresi dan Korelasi

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

goreng.

X Y

Tahun Biaya Promosi Volume penjualan xy X2 Y2

(Juta Rupiah) (Ratusan juta rupiah per liter)

1992 2 5 10 4 25

1993 4 6 24 16 36

1994 5 8 40 25 64

1995 7 10 70 49 100

1996 8 11 88 64 121

∑ ∑x=26 ∑y=40 ∑xy=232 ∑x2=158 ∑y2=346

Bentuk umum persamaan regresi linier sederhana:

11
Y = a+bx

A=5

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).

12
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.

3.4 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.

13
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:

1. tanaman mati kekeringan di musim kemarau

2. pupuk kompos diberikan saat musim kemarau

Dari kedua pernyataan di atas, kita tidak dapat mengatakan bahwa pupuk kompos

menyebabkan tanaman mati meskipun korelasinya tinggi.

3.5 Manfaat Korelasi dan Regresi

14
 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

15
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).

BAB IV

16
 PENUTUP

4.1 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.

17
4.2 Saran

Makalah ini kami susun agar memberikan manfaat yang besar bagi para pembaca. Kami

berharap makalah ini dapat dijadikan sebagai bahan kajian sehingga dapat memberikan lebih

kejelasan bagi para pembaca tentang sub bab yang telah dibahas. Makalah ini masih jauh dari

kesempurnaan. Untuk itu kami berharap kesedian bagi para pembaca untuk memberikan kritik

dan saran yang bersifat membangun, penulis harapkan semoga menjadi hasil yang terbaik dan

lebih sempurna di kemudian hari.

18