TUGAS RANGKUMAN

ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA

Hipotesis relasional yang benar menyatakan bahwa variabel- variabel terjadi

bersamaan dalam suatu prilaku tertentu tanpa mengakibatkan satu variabel
berpengaruh terhadap variabel yang lain. Berbagai tujuan disediakan dalam analisis
korelasi. Kekuatan, arah, bentuk, dan fitur- fitur lain dari hubungan bisa ditemukan.

Pertanyaan manajemen seringkali melibatkan hubungan antara dua variabel

atau lebih. Analisi korelasi bisa diterapkan untuk mengkaji hubungan seperti itu.
Hipotesis korelasi yang benar menyatakan bahwa variabel- variabel muncul
bersama- sama dalam keadaan tertentutanpa memperlihatkan bahwa satu variabel
menyebabkan variabel yang lain.

Analisis Korelasi 2 (Dua) Variabel

Analisis korelasi dua variabel berbeda ukuran dengan ukuran asosiasi

nonparametrik dan analisis regresi dalam dua hal penting.

- Korelasi parametrik memerlukan dua variabel kontinyu yang diukur pada

sebuah skala interval atau rasio.
- Koefisien tidak membedakan antara variabel bebas dan tergantung.

Tandanya menunjukkan arah dan kuadratnya menjelaskan varians umum. Korelasi

dua variabel memperlakukan variabel X dan Y secara simetris dan digunakan untuk
variabel- variabel yang terkait secara linear.

Plot Sebaran Untuk Mengeksplorasi Hubungan

Plot sebaran memungkinkan periset memeriksa hubungan data secara visual

agar dapat memilih statistik yang tepat. Arah, besar, dan bentuk dari hubungan
disampaikan dalam sebuah plot. Bentuk dari hubungan linear ditandai dengan
sebuah garis lurus, sementara hubungan nonlinear dengan garis lengkung, parabola
atau mempunyai bentuk kurva yang lain. Asumsi linearitas dan distribusi normal dua
variabel bisa diperiksa melalui uji plot dan uji diagnostik.

Interpretasi Korelasi

Koefisien korelasi dengan sembarang besar atau tanda, dan tanpa

mempedulikan signifikasi statistik, tidak menyatakan hubungan sebab akibat.
Demikian juga, sebuah koefisien tidaklah luar biasa hanya karena koefisien tersebut
signifikan secara statistik. Signifikasi praktis seharusnya dipertimbangkan dalam
menginterpretasi dan melaporkan temuan.

Beberapa penjelasan lain mungkin disediakan bagi hasil korelasi:

 X menyebabkan Y
 Y menyebabkan X
 X dan Y diaktifkan oleh satu variabel lain atau lebih
 X dan Y saling mempengaruhi secara timbal balik

Regresi Linear Sederhana

Analisis regresi digunakan untuk melihat hubungan Y dan X lebih jauh.

Apabila kita mengambil nilai- nilai observasi X untuk memprediksi nilai- nilai Y, maka
proses itu disebut prediksi sederhana. Apabila digunakan lebih dari satu variabel X,
hasilnya merupakan sebuah fungsi dari pemrediksi ganda. Prediksi sederhana dan
ganda dibentuk dari analis regresi.

Sebuah garis lurus adalah cara terbaik untuk meniru hubungan antara dua
variabel kontinyu. Metode kuadrat terkecil (least square) memungkinkan kita
menemukan garis regresi, atau garis yang tepat, yamg meminimumkan eror dalam
menggambar garis. Metode ini menggunakan kriteria meminimumkan kuadrat total
dari estimasi. Prediksi titik yang dibuat dari data yang tepat merupakan subyek
terjadinya eror. Pita prediksi dan keyakinan bisa digunakan untuk menemukan
sebuah rentang nilai yang dimungkin bagi Y berdsarkan pemrediksi yang dipilih.
Pita- pita dibentuk sedemikian rupa sehingga pemrediksi yang letaknya lebih jauh
dari rata- rata mempunyai lebar pita yang lebih besar.

Menguji lineritas model regresi untuk mengetahui apakah persamaan yang

diperoleh dari model regresi efektif untuk data. Sebuah uji penting dalam regresi
linear dua variabel adalah apakah lerengnya sama dengan nol, yakni apakah
variabel pemrediksi X berpengaruh secara signifikan terhadap variabel kriteria Y.

Sering kali asumsi atau tingkat pengukuran yang disyaratkan untuk teknik-
teknik parametrik tidak dapat dipenuhi. Ukuran nonparametrik asosiasi merupakan
sebuah alternatif. Ukuran nominal asosiasi digunakan untuk menilai kekuatan
hubungan dalam tabel klasifikasi silang. Ukuran- ukuran tersebut sering digunakan
dalam rangkaian dengan chi-square atau bisa didasarkan pada pendekatan
pengurangan error proporsional (proposional reduction error/PRE).

Phi merentang dari 0 hingga +1,0 dan berusaha memperbaiki chi-square

secara proporsional ke N. Phi paling baik diterapkan untuk tabel 2x2. Cramer’s V
merupakan modifikasi dari phi untuk tabel yang lebih besar dan mempunyai rentang
hingga 1,0 untuk tabel dengan sembarang konfigurasi.

Lambda yaitu sebuah statistik PRE, didasarkan pada sebuah frekuensi dari sebuah
variabel nominal memberikan bukti prediksi mengenai frekuensi variable lainnya.
Goodman dan krukal’s menggunakan marginal tabel untuk mengurangi error
prediksi.

Ukuran untuk data ordinal meliputi Gamma, Kendals tau b dan tau c,
Somers’s dan Spearman’s rho. Seluruh ukuran, kecuali korelasi peringkat urutan
Spearman didasarkan pada konsep pasangan konkordasi dan diskordansi. Tidak
satupun dari statistik- statistik tersebut membutuhkan asumsi distribusi normal dua
variabel, meskipun dengan menggabungkan urutan dan sebagian besar
menghasilkan rentang dari -1 hingga + 1.
Nama – Nama Kelompok 6 (enam):

1. Jon kennedi NPM : 1421011055

2. Aprizal Mahyunis NPM : 1421011050
3. Muhammad Iqbal NPM : 1421011048
4. Diana Purwitasari NPM : 1421011049