Critical Book Review (Kelompok 7)

CRITICAL BOOK REVIEW
MICHAEL BARROW DOUGLES A LIND

CHAPTER : 7 CHAPTER : 13
DISUSUN
OLEH
KELOMPOK 7 :
1. EVA YANTI ( 18110426 )

2. MARCO IGNASIUS ( 18110244 )
3. RISA AULIA PUTRI P. ( 18110351 )
4. TASYA AFTA WARIFAI ( 18110271 )
5. M. IHSAN ALFAROZY ( 19910274 )
KELAS : K3-4C / C SORE

JURUSAN : S-1 MANAJEMEN
SEKOLAH TINGGI ILMU EKONOMI (STIE)

BINA KARYA TEBING TINGGI
TA. 2019-2020
Kata Pengantar
Puji syukur kita panjatkan kepada Tuhan yang Maha Esa atas limpahan rahmat,
dan hidayah nya sehingga kami dapat menyusun dan menyelesaikan Critical Book
Review ini dengan pokok pembahasan mengenai Korelasi dan Regresi. Penulisan Critical
Book Review ini merupakan tugas yang diberikan dalam mata kuliah Statistik
Probabilitas di STIE BINA KARYA TEBING TINGGI.
Penulis berharap Critical Book Review ini kiranya dapat bermanfaat bagi
pembaca dan untuk mengetahui isi buku serta kelebihan dan kekurangan buku tersebut
untuk dijadikan refrensi.
Penulis menyadari bahwa dalam penulisan Critical Book Review ini masih jauh
dari kesempurnaan. Oleh karena itu, kritik dan saran sangat berguna bagi penyusunan
dan penyempurnaan selanjutnya. Kami juga berterima kasih kepada pihak-pihak yang
ikut terlibat dalam penyusunan critical book reiew ini, khususnya kepada dosen yang
telah memberikan tugas dan bimbingan kepada kami, sehingga kami dapat
menyelesaikannya
Tebing Tinggi, 05 Oktober 2019
Kelompok 7
Statistik Probabilitas Kelompok 7 Page i

DAFTAR ISI
Kata Pengantar ............................................................................................................................ i

DAFTAR ISI .............................................................................................................................. ii
BAB I ......................................................................................................................................... 3
PENDAHULUAN ...................................................................................................................... 3
1. Manfaat Critical Book Review ........................................................................................ 3
2. Tujuan Critical Book Review .......................................................................................... 3
3. Identitas Buku Yang Direview ........................................................................................ 3
BAB II ........................................................................................................................................ 5
RINGKASAN ISI BUKU .......................................................................................................... 5
2.1 Buku Statistic For Econimic, Accounting Dan Business Studies .................................... 5
2.2 Buku Statistic Basic Statistics for Business and Economics ......................................... 19
BAB III ..................................................................................................................................... 34
Pembahasan .............................................................................................................................. 34
A.PEMBAHASAN ISI BUKU............................................................................................. 34
B. Kelebihan dan Kekurangan Isi Buku ................................................................................... 37
1. Kelebihan Isi Buku ....................................................................................................... 37
2. Kekurangan Isi Buku ..................................................................................................... 37
BAB IV .................................................................................................................................... 38
PENUTUP ................................................................................................................................ 38
A. Kesimpulan ...................................................................................................................... 38
B. Rekomendasi .................................................................................................................... 38
DAFTAR PUSTAKA .............................................................................................................. 39
Statistik Probabilitas Kelompok 7 Page ii

BAB I
PENDAHULUAN
1. Manfaat Critical Book Review
Manfaat dari pembuatan Critical Book Review ini adalah :
1. Untuk memenuhi dan memahami tugas mata kuliah
2. Dapat dijadikan refrensi untuk pembaca dalam membeli buku
3. Membantu mahasiswa untuk berpikir kritis dan menalar dalam

menganalisis buku
2. Tujuan Critical Book Review

Tujuan penulisan Critical book Review ini adalah :
1. Melatih diri mahasiswa/i untuk mengetahui hasil analisis tentang

kurikulum
maupun pembelajaran pada buku yang diriview
2. Membantu pembaca mengetahui gambaran dan penilaian umum dari

sebuah buku atau hasil karya lainnya secara ringkas
3. Mencari dan mengetahui informasi yang ada di dalam buku
4. Membandingkan isi buku pertama dan kedua dan menghubungkan buku

yang direview
5. Memberi masukan kepada penulis buku berupa kritik dan saran terhadap
cara penulisan, isi, dan substansi buku.
3. Identitas Buku Yang Direview

1. Buku I
Judul : Statistic For Economics, Accounting and Business Studies
Pengarang : Michael Barrow
Penerbit : Pearson Education Limited

Tahun Terbit : 2006
Kota Terbit : Inggris
Edisi : Edisi keempat
Chapter : 7 ( Correlation and Regression )
2 . Buku II
Judul : Basic Statistic for business & Economics
Pengarang : Douglas A. Lind, William G. Marchal, Samuel A. Wathen
Penerbit : The McGraw-Hill Companies
Tahun Terbit : 2006
Kota Terbit : Singapura
Edisi : Edisi kelima
Chapter : 13 ( Linear Regression and Correlation )
Statistik Probabilitas Kelompok 7 Page 4

BAB II
RINGKASAN ISI BUKU
2.1 Buku Statistic For Econimic, Accounting Dan Business Studies
Pengantar Korelasi
Korelasi dan regresi adalah teknik untuk menyelidiki hubungan statistic

antara dua, atau lebih, variabel. Dalam Bab 1 kami memeriksa hubungannya
antara investasi dan PDB menggunakan metode grafis (grafik XY). Meskipun
secara visual bermanfaat, ini tidak memberikan pengukuran tepat kekuatan
hubungan.
Korelasi dan regresi adalah teknik yang paling sering digunakan oleh para
ekonom dan peramal. Mereka dapat digunakan untuk menjawab pertanyaan
seperti:
* Apakah ada hubungan antara jumlah uang beredar dan tingkat harga?
* Apakah perusahaan yang lebih besar menghasilkan dengan biaya lebih rendah
daripada perusahaan yang lebih kecil?
* Apakah ketidakstabilan dalam kinerja ekspor suatu negara menghambat

pertumbuhannya?

Data yang digunakan oleh Todaro ditunjukkan pada Tabel 7.1 untuk 12
sampel yang sedang berkembang negara. Dua poin perlu dibuat pada awalnya.
Pertama, sampel saja termasuk negara-negara berkembang, sehingga hasilnya
tidak akan memberikan semua merangkul penjelasan tentang tingkat kelahiran.
Faktor yang berbeda mungkin relevan untuk dikembangkan negara, misalnya.
Kedua, ada pertanyaan penting mengapa ini negara-negara tertentu dipilih sebagai
sampel dan yang lainnya diabaikan. Pilihan negara, pada kenyataannya, dibatasi
oleh ketersediaan data, dan orang harus bertanya apakah negara dengan data yang
tersedia cenderung mewakili semua negara. Faktanya, data tersedia untuk lebih
dari 12 negara, demikian juga Todaro selektif. Anda diminta untuk
mengeksplorasi implikasi ini dalam beberapa masalah di akhir bab ini.
Variabel didefinisikan sebagai berikut:
- Tingkat kelahiran: jumlah kelahiran per 1000 populasi pada tahun 1981.
- GNP per kapita: 1981 produk nasional bruto, dalam dolar AS.
- Tingkat pertumbuhan: tingkat pertumbuhan GNP hal. per tahun, 1961–1981.
- Rasio pendapatan: rasio bagian pendapatan dari yang paling kaya 20% dengan
yang dari yang paling miskin
- 40%. Nilai yang lebih tinggi dari rasio ini menunjukkan ketimpangan yang lebih
besar.
Korelasi Hubungan
Hubungan yang digambarkan dalam Gambar 7.1 pertama-tama dapat

dirangkum secara numerik dengan mengukur koefisien korelasi antara setiap
pasangan variabel. Kami menggambarkan ini dengan menghitung koefisien
korelasi antara tingkat kelahiran (B) dan pertumbuhan (G), meskipun kami juga
menyajikan hasil untuk kasus lain. Sama seperti mean adalah angka yang
merangkum informasi tentang satu variabel, jadi koefisien korelasi adalah angka
yang merangkum hubungan antara dua variabel.

Berbagai jenis hubungan yang mungkin antara dua variabel, X dan Y, dapat
diringkas sebagai berikut:
-n Nilai X yang tinggi cenderung dikaitkan dengan nilai Y yang rendah dan
sebaliknya. Ini disebut korelasi negatif, dan tampaknya menjadi kasus untuk B
dan G.

- n Nilai X tinggi (rendah) cenderung dikaitkan dengan nilai tinggi (rendah) Y. Ini
adalah korelasi positif dan mencerminkan (agak lemah) hubungan antara B dan
rasio pendapatan (IR).
-n Tidak ada hubungan antara X dan Y. Nilai X tinggi (rendah) dikaitkan dengan
nilai Y yang sama dan tinggi. Ini nol, atau tidak adanya, korelasi. Tampaknya ada
sedikit korelasi antara tingkat kelahiran dan GNP per kapita.
Koefisien korelasi sampel, r, adalah statistik numerik yang membedakan antara

jenis kasus yang ditunjukkan pada Gambar 7.1. Ada yang berikut
properti:
- n Itu selalu terletak di antara −1 dan +1.
-Nilai positif r menunjukkan korelasi positif, nilai yang lebih tinggi menunjukkan
korelasi yang lebih kuat antara X dan Y (yaitu pengamatan lebih dekat ke garis
lurus). r = 1 menunjukkan korelasi positif sempurna dan artinya semua
pengamatan terletak pada garis lurus dengan kemiringan positif, seperti Gambar
7.2 menggambarkan.
- Nilai negatif r menunjukkan korelasi negatif. Mirip dengan di atas, nilai negatif
yang lebih besar menunjukkan korelasi negatif yang lebih kuat dan r = −1
menandakan korelasi negatif sempurna.
- n Nilai r = 0 (atau mendekati itu) menunjukkan kurangnya korelasi antara X dan

Y.
- Hubungannya simetris, yaitu korelasi antara X dan Y adalah sama seperti antara
Y dan X. Tidak masalah variabel mana yang berlabel Y dan yang diberi label X

Rumus1 untuk menghitung koefisien korelasi diberikan dalam persamaan (7.1):
Perhitungan r untuk hubungan antara angka kelahiran (Y) dan pertumbuhan (X)
adalah ditunjukkan pada Tabel 7.2 dan persamaan (7.2). Dari total pada Tabel 7.2
kami menghitung:
Hasil ini menunjukkan korelasi negatif yang cukup kuat antara angka kelahiran
dan pertumbuhan. Negara-negara yang memiliki tingkat pertumbuhan ekonomi
yang lebih tinggi juga cenderung memiliki tingkat kelahiran yang lebih rendah.
Hasil perhitungan koefisien korelasi untuk kasus tingkat kelahiran dan rasio
pendapatan adalah r = 0,35, yang positif sebagai diharapkan. Ketimpangan yang
lebih besar (IR yang lebih tinggi) dikaitkan dengan tingkat kelahiran yang lebih
tinggi, meskipun tingkat korelasinya tidak terlalu kuat dan kurang dari korelasi
dengan tingkat pertumbuhan. Antara tingkat kelahiran dan GNP per kapita nilai r
hanya −0.26 yang mengindikasikan hanya tingkat korelasi yang sedang. Semua ini
mulai menimbulkan keraguan pada interpretasi Todaro terhadap data.

Apakah hasil signifikan penting?
Setelah diskusi di Bab 5, kita mungkin bertanya apakah nilai tertentu dari
koefisien korelasi penting secara ekonomi dan juga signifikan. Kami telah melihat
sebelumnya bahwa hasil 'signifikan' tidak perlu menjadi penting. Kesulitan dalam
kasus ini adalah kita hanya memiliki sedikit pemahaman intuitif tentang korelasi
koefisien. Apakah ρ = 0,5 penting, misalnya?
Apakah itu akan membuat banyak perbedaan apakah hanya 0,4?
Pemahaman kita mungkin terbantu jika kita melihat beberapa grafik

variabel dengan koefisien korelasi yang berbeda. Tiga ditunjukkan pada Gambar
7.3. Panel (a)
Gambar 7.3
Variabel dengan korelasi yang berbeda

dari gambar grafik dua variabel dengan koefisien korelasi 0,2. Secara visual
tampaknya ada sedikit hubungan antara variabel, namun korelasinya Koefisien
(hanya) signifikan: t = 2,06 (n = 100 dan nilai-probabilitas adalah 0,042). Ini
adalah hasil yang signifikan yang tidak mengesankan.
Pada panel (b) koefisien korelasi adalah 0,5 dan ada positif yang jelas
kemiringan, meskipun ada sebaran besar pengamatan di sekitar garis lurus baris.
Hubungan antara X dan Y tidak tampak kuat. Namun statistik t dalam hal ini
adalah 65,3 besar, sangat signifikan. Akhirnya, panel (c) menunjukkan contoh di
mana n = 1000. Bagi mata ini terlihat seperti sebaran acak, tanpa pola yang bisa

dilihat. Namun koefisien korelasi adalah 0,1 dan statistik t adalah 100,8, sekali
lagi sangat signifikan
Korelasi Dan Hubungan Sebab Dan Akibat
Penting untuk menguji signifikansi hasil apa pun karena hampir setiap
pasangan variabel akan memiliki koefisien korelasi non-nol, bahkan jika mereka
benar-benar unconnected (kemungkinan koefisien korelasi sampel tepat nol sangat,
sangat kecil). Oleh karena itu penting untuk membedakan antara koefisien
korelasi yang signifikan dan yang tidak, menggunakan t Tes baru saja diuraikan.
Tetapi bahkan ketika hasilnya signifikan kita harus berhati-hati bahaya korelasi
'palsu'. Banyak variabel yang jelas tidak bisa terkait ternyata berkorelasi
'signifikan' satu sama lain. Satu sekarang contoh terkenal adalah antara tingkat
harga dan curah hujan kumulatif. Sejak mereka keduanya naik dari tahun ke tahun
mudah untuk melihat mengapa mereka berkorelasi, namun sulit untuk
melakukannya pikirkan alasan yang masuk akal mengapa mereka harus saling
berhubungan secara kausal.
Terlepas dari korelasi palsu ada empat kemungkinan alasan untuk tidak nol nilai r:
1 X memengaruhi Y.
2 Y memengaruhi X.
3 X dan Y secara bersama-sama saling memengaruhi.
4 Variabel lain, Z, mempengaruhi X dan Y
Koefisien Dari Korelasi Peringkat
Terkadang data asli tidak tersedia tetapi peringkatnya tidak. Sebagai

contoh, sekolah mungkin diperingkat berdasarkan hasil ujian mereka, tetapi
tingkat kelulusan sebenarnya tidak tersedia Demikian pula, mereka mungkin
diperingkat dalam hal pengeluaran per murid, dengan tingkat pengeluaran aktual
tidak tersedia. Meskipun data asli hilang, kita masih bisa menguji hubungan
antara pengeluaran dan keberhasilan ujian dengan menghitung korelasi antara

peringkat. Jika pengeluaran ekstra meningkatkan ujian kinerja, sekolah
berperingkat lebih tinggi pada pengeluaran juga harus peringkat lebih tinggi pada
keberhasilan ujian, mengarah ke korelasi positif. Dalam hal ini, Spearman's
koefisien korelasi peringkat dihitung.
Kami akan menghitung koefisien korelasi peringkat untuk data kelahiran

dan tingkat pertumbuhan, untuk memberikan perbandingan dengan koefisien
korelasi biasa dihitung lebih awal. Tabel 7.3 menyajikan data untuk tingkat
kelahiran dan pertumbuhan di Indonesia bentuk jajaran. Menghitung peringkatnya
sangat mudah, meskipun ada beberapa poin yang perlu diperhatikan.
Negara dengan tingkat kelahiran tertinggi memiliki peringkat 1, tertinggi 2

berikutnya, dan seterusnya. Demikian pula, negara dengan tingkat pertumbuhan
tertinggi peringkat 1, dll. Satu bisa membalikkan peringkat, sehingga tingkat
kelahiran terendah peringkat 1, misalnya; arah peringkat agak sewenang-wenang.
Ini akan meninggalkan korelasi peringkat
Tabel 7.3. Perhitungan koefisien korelasi peringkat Spearman
Catatan: Negara dengan tingkat pertumbuhan tertinggi (Korea Selatan) berada di

peringkat 1 untuk variabel X; Taiwan, negara dengan pertumbuhan tercepat
berikutnya, berada di peringkat 2, dll. Untuk tingkat kelahiran, Senegal berada di
peringkat 1, memiliki tingkat kelahiran tertinggi, 48. Taiwan memiliki tingkat
kelahiran terendah dan peringkat 12 untuk variabel Y. Perbedaan antara peringkat

d dihitung sebagai 4 untuk Brasil, yaitu 7 - 3, peringkatnya nilai untuk tingkat
kelahiran dan tingkat pertumbuhan masing-masing nilai koefisien tidak berubah,
tetapi tandanya akan berubah, mis. 0,5 akan menjadi −0.5. Ini bisa
membingungkan karena kita sekarang akan memiliki korelasi 'negatif' daripada
yang positif (meskipun variabel tingkat kelahiran sekarang harus didefinisikan
ulang). Lebih baik menggunakan urutan peringkat 'alami' untuk setiap variabel.
Di mana dua atau lebih pengamatan adalah sama, seperti halnya tingkat
kelahiran Meksiko dan Peru, maka mereka diberi peringkat yang sama, yaitu rata-
rata nilai peringkat yang relevan. Misalnya, kedua negara diberi peringkat 2.5,
yang merupakan rata-rata 2 dan 3. Demikian pula, Brasil, Kosta Rika dan
Thailand semua diberi peringkat 7, yang merupakan rata-rata 6, 7 dan 8. Negara
berikutnya, Kolombia, kemudian diberi peringkat 9.
Koefisien korelasi peringkat Spearman, rs, dihitung menggunakan rumus (7.4): 2
di mana d adalah perbedaan dalam jajaran. Perbedaan dan nilai kuadratnya

ditunjukkan pada kolom terakhir dari Tabel 7.3 dan dari sini kita dapatkan
Ini menunjukkan korelasi peringkat negatif antara dua variabel, seperti dengan
koefisien korelasi standar (r = -0,824), tetapi dengan yang sedikit lebih kecil nilai
mutlak.
Untuk menguji signifikansi hasil, uji hipotesis dapat dilakukan pada nilai ρs,
parameter populasi yang sesuai.
H0: ρs = 0
H1: ρs ≠ 0

Kali ini distribusi t tidak dapat digunakan, tetapi menyiapkan tabel kritis nilai
untuk ρs sendiri dapat dikonsultasikan; ini diberikan pada Tabel A6 (lihat halaman
378), dan kutipan diberikan pada Tabel 7.4
Nilai kritis pada tingkat signifikansi 5%, untuk n = 12, adalah 0,591.
Karena itu hipotesis nol ditolak jika statistik uji berada di luar kisaran
[−0,591,0,591], yang dilakukannya dalam kasus ini. Dengan demikian nol dapat
ditolak dengan 95% kepercayaan; data mendukung hipotesis hubungan Antara
tingkat kelahiran dan pertumbuhan. Nilai kritis yang ditunjukkan pada tabel ini
adalah untuk dua-ekor
Tabel 7.4 Kutipan dari Tabel A6: Nilai kritis korelasi peringkat koefisien
Analisis Regresi
Analisis regresi adalah cara yang lebih canggih untuk memeriksa

hubungan antara dua (atau lebih) variabel daripada korelasi. Perbedaan utama
antara korelasi dan regresi adalah sebagai berikut:
1. Regresi dapat menyelidiki hubungan antara dua atau lebih variabel.

2. Arah kausalitas ditegaskan, dari variabel penjelas (atau ables) ke variabel
dependen.
3. Pengaruh masing-masing variabel penjelas terhadap variabel terikat adalah
diukur.
4. Signifikansi setiap variabel penjelas dapat dipastikan.
Regresi ini garis miring ke bawah (turunannya akan dijelaskan segera)

untuk hal yang sama alasan bahwa koefisien korelasi negatif, yaitu nilai Y yang
tinggi adalah gen-terkait dengan nilai X yang rendah dan sebaliknya.

Karena garis regresi meringkas pengetahuan tentang hubungan antara X
dan Y, dapat digunakan untuk memprediksi nilai Y mengingat nilai X tertentu.
Pada Gambar 7.4 nilai X = 3 (pengamatan untuk Kosta Rika) terkait melalui garis
regresi ke nilai Y (dilambangkan dengan Z) sebesar 32,6. Nilai prediksi ini
dekat (tetapi tidak identik) dengan angka kelahiran aktual 30. Perbedaannya
tercermin tidak adanya korelasi sempurna antara kedua variabel.
Perbedaan antara nilai aktual, Y, dan nilai prediksi, Z, adalah disebut error
atau residual. Itu dilabeli e pada Gambar 7.4. Kenapa harus seperti itu kesalahan
terjadi? Hubungan tidak akan pernah menjadi hubungan yang tepat untuk berbagai
hal alasan. Pasti ada faktor lain selain pertumbuhan yang mempengaruhi tingkat
kelahiran (mis., pendidikan wanita) dan semua efek ini dimasukkan ke dalam
istilah kesalahan. Selain itu mungkin ada kesalahan pengukuran sederhana (dari Y)
dan, tentu saja, orang bertindak dengan cara yang agak acak daripada mengikuti
aturan perilaku yang kaku.
Persama an garis regresi sampel dapat ditulis dimana
Zi = adalah nilai prediksi Y untuk observasi (negara) i
Xi = adalah nilai dari variabel penjelas untuk observasi i, dan
a, b = adalah koefisien tetap yang akan diestimasi; a mengukur intersep dari

garis regresi pada sumbu Y, b mengukur kemiringannya.
Ini diilustrasikan pada Gambar 7.5.

tugas pertama dari analisis regresi adalah menemukan nilai a dan b sehingga garis
regresi dapat ditarik. Untuk melakukan ini, kami melanjutkan sebagai berikut.
Perbedaan antara nilai aktual, Yi, dan nilainya yang diprediksi, Zi, apakah
ei, kesalahannya. (Catatan: Huruf miring yang menunjukkan istilah kesalahan
tidak boleh disamakan dengan roman huruf e, digunakan sebagai dasar untuk
logaritma natural (lihat Lampiran Bab 1, halaman 74). Jadi
(7.7) Yi = Zi + ei
Mengganti persamaan (7.6) menjadi persamaan (7.7) dapat menjadi persamaan

regresi tertulis
(7.8) Yi = a + bXi + ei
Persamaan (7.8) menunjukkan bahwa tingkat kelahiran yang diamati terdiri dari
dua komponen:
1 bagian itu dijelaskan oleh tingkat pertumbuhan, a + bXi, dan
2 komponen kesalahan, ei.
Perhitungan Koefisien Determinasi

Angka menunjukkan nilai rata-rata Y, garis regresi sampel dihitung dan
pengamatan sampel sewenang-wenang dipilih ( Xi, Yi). Perbedaan antara Yi dan
Y ( panjangnya Yi - Y) dapat dibagi menjadi:

1. Bagian itu 'menjelaskan' oleh garis regresi, Zi - Y ( yaitu dijelaskan oleh nilai
Xi).
2. Istilah kesalahan ei = Yi - Zi.
Σ ( Yi - Y)², dikenal sebagai total jumlah kuadrat (TSS)

Σ ( Zi - Y) ², jumlah regresi kotak (RSS), dan
Σ ( Yi - Zi )², jumlah kesalahan kuadrat (ESS)
Ukuran kebaikan fi t, R 2, kemudian didefinisikan sebagai rasio dari jumlah
regresi kotak dengan total jumlah kuadrat, yaitu :
(7.16) TSS = RSS + ESS

Dari persamaan (7.15) dan (7.16) kita dapat melihat bahwa R 2 harus
terletak antara 0 dan 1 (perhatikan bahwa karena setiap istilah dalam persamaan
(7.16) adalah jumlah kuadrat, tidak satupun dari mereka dapat menjadi negatif).
Dengan demikian 0 ≤ R 2 ≤ 1 Nilai dari R 2 = 1 menunjukkan bahwa semua
pengamatan sampel berbaring tepat pada garis regresi (setara dengan korelasi
sempurna). Jika R 2 = 0 maka garis regresi tidak ada gunanya sama sekali - X
tidak memengaruhi Y ( linear) sama sekali, dan mencoba untuk memprediksi nilai
Y saya satu mungkin juga menggunakan mean Y daripada nilai Xi.
memberikan hasil :

Inferensi Dalam Model Regresi
Sejauh ini, regresi telah digunakan sebagai teknik deskriptif, untuk

mengukur hubungan antara dua variabel. Kita sekarang pergi untuk menarik
kesimpulan dari analisis tentang apa benar garis regresi mungkin terlihat seperti.
Seperti korelasi, estimasi hubungan sebenarnya adalah Sampel garis regresi,
berdasarkan data untuk 12 negara. Diperkirakan koefisien fi sebuah variabel-
variabel acak, karena mereka akan berbeda dari sampel ke sampel.
2.2 Buku Statistic Basic Statistics for Business and Economics

Apa Analisis Korelasi?
Analisis korelasi adalah studi tentang hubungan antar variabel. Untuk

menjelaskan, anggap saja manajer penjualan Copier Sales of America, yang
memiliki tenaga penjualan yang besar di seluruh Amerika Serikat dan Kanada,
ingin menentukan apakah ada hubungan antara jumlah panggilan penjualan yang
dilakukan dalam satu bulan dan jumlah mesin fotokopi terjual bulan itu. Manajer
memilih sampel acak 10 perwakilan dan menentukan jumlah panggilan penjualan
yang dilakukan masing-masing perwakilan bulan lalu dan jumlah mesin fotokopi
terjual. Informasi sampel ditunjukkan pada Tabel 13-1.
TABLE 13-1 Sales Calls and Copiers Sold for 10 Sales people.

Dengan meninjau data, kami mengamati bahwa tampaknya ada beberapa
hubungan antara jumlah panggilan penjualan dan jumlah unit yang terjual. Yaitu,
tenaga penjualan yang melakukan panggilan penjualan terbanyak menjual unit
terbanyak. Namun hubungannya tidak "sempurna" atau tepat. Misalnya, Soni
Jones membuat panggilan penjualan lebih sedikit daripada Jeff Hall, tapi dia
menjual lebih banyak unit.
Variabel Tergantung : Variabel yang sedang diprediksi atau diperkirakan.
Variabel Independen : Variabel yang menyediakan dasar untuk estimasi. Ini

adalah variabel prediktor.
Ini adalah praktik umum untuk skala variabel dependen (mesin fotokopi
dijual) pada vertikal atau Sumbu Y dan variabel independen (jumlah panggilan
penjualan) pada sumbu horizontal atau X. Untuk mengembangkan diagram
sebaran dari informasi penjualan Copier Sales of America, kami mulai dengan
perwakilan penjualan pertama, Tom Keller. Tom melakukan 20 panggilan
penjualan bulan lalu dan menjual 30 mesin fotokopi, jadi X = 20 dan Y = 30.
Untuk memplot poin ini, bergerak sepanjang horizontal sumbu ke X = 20, lalu
pergi secara vertikal ke Y = 30 dan tempatkan sebuah titik di persimpangan. Ini
proses dilanjutkan sampai semua data berpasangan diplot, seperti yang
ditunjukkan pada Bagan 13-1.

Bagan 13-1 Diagram Menyebarkan Menunjukkan Panggilan Penjualan dan
Mesin Fotokopi Terjual.
Diagram sebar menunjukkan secara grafis bahwa perwakilan penjualan

yang membuat lebih banyak panggilan cenderung menjual lebih banyak mesin
fotokopi. Masuk akal untuk Ms. Sancer, penjualan nasional manajer di Copier
Sales of America, untuk memberi tahu tenaga penjualannya bahwa semakin
banyak panggilan penjualan mereka membuat lebih banyak mesin fotokopi yang
bisa mereka harapkan untuk dijual. Perhatikan bahwa saat tampaknya ada menjadi
hubungan positif antara kedua variabel, semua poin tidak jatuh pada garis. Di
bagian berikut, Anda akan mengukur kekuatan dan arah hubungan ini antara dua
variabel dengan menentukan koefisien korelasi.
Koefisien Korelasi
Berasal oleh Karl Pearson sekitar 1900, koefisien korelasi menggambarkan

kekuatan hubungan antara dua set variabel interval-skala atau skala-skala.
Ditunjuk r; sering disebut sebagai Pearson's r dan sebagai productmoment Pearson
koefisien korelasi. Itu dapat mengasumsikan nilai dari -1.00 hingga +1.00 inklusif.
Koefisien korelasi -1,00 atau +1,00 menunjukkan korelasi sempurna. Untuk
contoh, koefisien korelasi untuk contoh sebelumnya dihitung menjadi + 1,00 akan
menunjukkan bahwa jumlah panggilan penjualan dan jumlah mesin fotokopi yang
terjual sempurna terkait dalam arti linear positif. Nilai yang dihitung dari -1,00
mengungkapkan penjualan itu panggilan dan jumlah mesin fotokopi yang dijual
berhubungan sempurna dalam arti linear terbalik. Bagaimana diagram pencar akan
muncul jika hubungan antara dua set data linear dan sempurna ditunjukkan pada
Bagan 13-2.

Bagan 13-2 Diagram Menyebarkan Menunjukkan Korelasi Negatif
Sempurna dan Korelasi Positif Sempurna.
Jika sama sekali tidak ada hubungan antara dua set variabel, Pearson's r
adalah nol. Koefisien korelasi r mendekati 0 (katakanlah, .08) menunjukkan
bahwa hubungan linier cukup lemah. Kesimpulan yang sama diambil jika r = - .08.
Koefisien - 0,91 dan + 0,91 memiliki kekuatan yang sama; keduanya
menunjukkan korelasi yang sangat kuat antara dua variabel. Dengan demikian,
kekuatan korelasinya tidak tergantung pada arah (baik - atau +).
Diagram sebar untuk r = 0, r lemah (katakanlah, - .23), dan r kuat

(katakanlah, + .87) adalah ditunjukkan pada Bagan 13-3. Perhatikan bahwa jika
korelasinya lemah, ada sebaran yang cukup besar tentang garis yang draWn
melalui pusat data. Untuk diagram sebar mewakili hubungan yang kuat, ada
sedikit pencar tentang garis. Ini menunjukkan, dalam Contoh yang ditunjukkan
pada grafik, bahwa jam belajar adalah prediktor yang baik dari nilai ujian.
Gambar berikut ini merangkum kekuatan dan arah koefisien korelasi.
Koefisien Korelasi : Ukuran Kekuatan Hubungan Linier Antara Dua

Variabel.
Bagaimana nilai koefisien korelasi ditentukan? Kami akan menggunakan

Data Penjualan Mesin Fotocopy Amerika, yang dilaporkan dalam Tabel 13-2,
sebagai contoh. Kita mulai dengan diagram sebar, mirip dengan Bagan 13-2.
Gambar garis vertikal melalui data nilai pada nilai rata-rata X dan garis horizontal
pada nilai rata-rata Y. Di Bagan 13-4 kami telah menambahkan garis vertikal pada

panggilan 22.0 (X = "i, Xln = 220/10 = 22) dan garis horizontal pada 45,0 mesin
fotokopi (Y = "i, Yln = 450/10 = 45.0). Garis-garis ini melewati "pusat" dari data
dan membagi diagram sebar menjadi empat kuadran. Pikirkan memindahkan asal
dari (0, 0) ke (22, 45).
TABEL 13-2 Panggilan Penjualan dan Mesin Fotokopi Dijual untuk 10

Tenaga Penjual
Dua variabel berhubungan positif, ketika jumlah mesin fotokopi yang

dijual di atas rata-rata dan jumlah panggilan penjualan juga di atas rata-rata. Poin-
poin ini muncul di kuadran kanan atas dari Bagan 13-4 di halaman berikutnya.
Begitu pula ketika jumlahnya mesin fotokopi yang dijual kurang dari rata-rata,
demikian juga jumlah panggilan penjualan. Poin-poin ini jatuh di kuadran kiri
bawah Bagan 13-4. Misalnya, orang terakhir dalam daftar di Tabel 13-2, Soni
Jones, melakukan 30 panggilan penjualan dan menjual 70 mesin fotokopi. Nilai-
nilai ini di atas rata-rata masing-masing, sehingga titik ini terletak di kuadran
kanan atas. Dia melakukan 8 (X - X = 30 - 22) lebih banyak panggilan penjualan
daripada rata-rata dan menjual 25 (Y - Y = 70 - 45)

BAGIAN 13-4 Perhitungan Koefisien Korelasi
lebih banyak mesin fotokopi daripada rata-rata. Tom Keller, nama depan
dalam daftar di Tabel 13-2, melakukan 20 panggilan penjualan dan menjual 30
mesin fotokopi. Kedua nilai ini lebih kecil dari nilai mereka rata-rata masing-
masing; maka titik ini berada di kuadran kiri bawah. Tom membuat 2 penjualan
lebih sedikit panggilan dan menjual 15 mesin fotokopi lebih sedikit dari masing-
masing cara. Penyimpangan dari jumlah rata-rata panggilan penjualan dan untuk
jumlah rata-rata mesin fotokopi yang dijual dirangkum pada Tabel 13-3 untuk 10
perwakilan penjualan. Jumlah produk penyimpangan dari cara masing-masing
adalah 900. Artinya, istilah ~ (X - X) (Y - Y) = 900.
TABEL 13-3 Penyimpangan dari Mean dan Produknya
Di kuadran kanan atas dan kiri bawah, produk dari (X - X) (Y - Y) positif

karena kedua faktor memiliki tanda yang sama. Dalam contoh kita ini terjadi

untuk semua perwakilan penjualan kecuali Mike Kiel. Karena itu kita dapat
mengharapkan koefisien korelasi memiliki nilai positif.
Jika dua variabel terkait terbalik, satu variabel akan berada di atas rata-rata
dan " yang lain di bawah rata-rata. Sebagian besar poin dalam kasus ini terjadi di
kiri atas dan kuadran kanan bawah. Sekarang (X - X) dan (Y - Y) akan memiliki
tanda yang berlawanan, jadi mereka produk negatif. Koefisien korelasi yang
dihasilkan negatif.
Apa yang terjadi jika tidak ada hubungan linear antara kedua variabel? Itu
poin dalam diagram pencar akan muncul di keempat kuadran. Produk negative
dari (X - X) (Y - Y) mengimbangi produk positif, sehingga jumlahnya hampir nol.
Ini mengarah pada koefisien korelasi mendekati nol.
Pearson juga ingin koefisien korelasi tidak terpengaruh oleh satuan dua
variabel. Misalnya, jika kami telah menggunakan ratusan mesin fotokopi yang
dijual, bukan angka yang terjual, koefisien korelasinya akan sama. Koefisien
korelasi tidak tergantung pada skala yang digunakan jika kita membagi istilah ~
(X - X) (Y - Y) oleh standar deviasi sampel. Itu juga dibuat independen dari
ukuran sampel dan dibatasi oleh nilai +1.00 dan -1.00 jika kita bagi dengan (n - 1).
Alasan ini mengarah pada rumus berikut:
Untuk menghitung koefisien korelasi, kami menggunakan standar

deviasi sampel 10 panggilan penjualan dan 10 mesin fotokopi terjual. Kita
bisa menggunakan rumus (3-11) untuk menghitung contoh standar deviasi
atau kita bisa menggunakan paket perangkat lunak. Untuk yang spesifik
Perintah Excel dan MINITAB melihat bagian Perintah Perangkat Lunak di
akhir Bab 3. Berikut ini adalah output Excel. Standar deviasi dari jumlah
panggilan penjualan adalah 9.189 dan dari jumlah mesin fotokopi terjual
14.337.

Kita sekarang memasukkan nilai-nilai ini ke dalam rumus (13-1) untuk
menentukan koefisien korelasi:
Bagaimana kita mengartikan korelasi 0,759? Pertama, itu positif, jadi kita
lihat ada hubungan langsung antara jumlah panggilan penjualan dan jumlah mesin
fotokopi Terjual. Ini menegaskan alasan kami berdasarkan diagram pencar, Bagan.
13-4. Nilai 0,759 cukup dekat dengan 1,00, jadi kami menyimpulkan bahwa
hubungan tersebut kuat. Untuk meletakkannya Dengan cara lain, peningkatan
panggilan kemungkinan akan menghasilkan lebih banyak penjualan.
Koefisien Determinasi
Dalam contoh sebelumnya tentang hubungan antara jumlah panggilan

penjualan dan unit yang terjual, koefisien korelasi, 0,759, ditafsirkan sebagai
"kuat." Namun istilah seperti lemah, sedang, dan kuat, tidak memiliki ketepatan
berarti. Ukuran yang memiliki makna yang lebih mudah ditafsirkan adalah
koefisien penentuan. Ini dihitung dengan mengkuadratkan koefisien korelasi.
Dalam contoh, koefisien determinasi, r2, adalah 0,576, ditemukan oleh (0,759) 2.
Ini proporsi atau satu persen; kita dapat mengatakan bahwa 57,6 persen variasi
dalam jumlah mesin fotokopi dijual dijelaskan, atau dicatat, dengan variasi dalam
jumlah panggilan penjualan.

Koefisiensi Penentuan : Proporsi dari total variasi dalam variabel dependen Y
yang dijelaskan, atau diperhitungkan, oleh "l'IYIIl'ITlf, n variabel independen X.
Korelasi dan Penyebab
Jika ada hubungan yang kuat (katakanlah, r = .91) antara dua variabel, kita
tergoda untuk melakukannya mengasumsikan bahwa kenaikan atau penurunan
dalam satu variabel menyebabkan perubahan pada variabel lainnya. Sebagai
contoh, dapat ditunjukkan bahwa konsumsi kacang dan Georgia Konsumsi aspirin
memiliki korelasi yang kuat. Namun, ini tidak menunjukkan hal itu peningkatan
konsumsi kacang tanah menyebabkan konsumsi aspirin meningkat. Demikian
juga dengan pendapatan para profesor dan jumlah narapidana di institusi
mentaltelah meningkat secara proporsional. Selanjutnya, seperti populasi keledai
menurun, telah terjadi peningkatan jumlah gelar doktor yang diberikan.
Hubunganseperti ini disebut korelasi palsu. Apa yang bisa kita simpulkanketika
kita menemukan dua variabel dengan korelasi kuat adalah ada hubungan atau
asosiasi antara dua variabel, bukan bahwa perubahan dalam satu menyebabkan
perubahan yang lain.
Menguji Signifikansi dari Koefisien Korelasi
Ingat manajer penjualan Copier Sales of America menemukan korelasi

antara jumlah panggilan penjualan dan jumlah mesin fotokopi yang terjual adalah
0,759. Ini menunjukkan a hubungan yang kuat antara kedua variabel. Namun,
hanya 10 tenaga penjualan sampel. Mungkinkah korelasi dalam populasi
sebenarnya O? Ini akan berarti korelasi 0,759 adalah karena kebetulan. Populasi
dalam contoh ini adalah semua tenaga penjualan yang dipekerjakan oleh
perusahaan.
Kami akan melanjutkan dengan ilustrasi yang melibatkan panggilan

penjualan dan mesin fotokopi yang dijual. Kami mempekerjakan langkah-langkah
pengujian hipotesis yang sama dijelaskan dalam Bab 1O. Hipotesis nol dan
hipotesis alternatif adalah:

Ho: p = 0 (Korelasi dalam populasi adalah nol.)
H1: p ≠ 0 (Korelasi dalam populasi berbeda dari nol.)
Dari cara H1 dinyatakan, kita tahu bahwa tes ini berekor dua. Rumus untuk ini:
Menggunakan tingkat signifikansi 0,05, aturan keputusan menyatakan bahwa jika

t yang dihitung turun di area antara plus 2,306 dan minus 2,306, hipotesis nol
tidak ditolak. Untuk temukan nilai kritis 2,306, lihat Lampiran F untuk df = n - 2
= 10 2 8. Lihat Bagan 13-5.
BAGIAN 13-5 Aturan Keputusan untuk Uji Hipotesis pada 0,05 Level
Signifikansi dan 8 df
Menerapkan formula (13-2) pada contoh tentang jumlah panggilan penjualan dan
unit terjual:
T yang dihitung berada di wilayah penolakan. Dengan demikian, Ho ditolak pada

signifikansi 0,05 tingkat. Ini berarti korelasi dalam populasi tidak nol. Dari sudut
pandang praktis, itu menunjukkan kepada manajer penjualan bahwa ada korelasi
berkenaan dengan jumlah tersebut panggilan penjualan yang dilakukan. dan
jumlah mesin fotokopi yang dijual dalam populasi tenaga penjualan.

Kami juga dapat menafsirkan tes hipotesis dalam hal nilai-p. Nilai p
adalah kemungkinan menemukan nilai statistik uji yang lebih ekstrem daripada
yang dihitung, ketika Ho benar. Untuk menentukan nilai-p, buka distribusi t di
Lampiran F dan temukan baris untuk 8 derajat kebebasan. Nilai statistik uji adalah
3,297, jadi dalam baris untuk 8 derajat kebebasan dan tes dua sisi, temukan nilai
terdekat dengan 3,297. Untuk tes dua sisi pada tingkat signifikansi 0,02, nilai
kritis adalah 2,896, dan kritis nilai pada tingkat signifikansi 0,01 adalah 3,355.
Karena 3.297 berada di antara 2.896 dan 3.355 kami menyimpulkan bahwa nilai-p
adalah antara 0,01 dan 0,02.
Analisis regresi
Pada bagian sebelumnya kami mengembangkan langkah-langkah untuk

mengekspresikan kekuatan dan arah hubungan antara dua variabel. Di bagian ini
kita ingin mengembangkan persamaan untuk mengekspresikan linier (garis lurus)
hubungan antara dua variabel. Di Selain itu kami ingin dapat memperkirakan nilai
dari variabel dependen Y berdasarkan yang dipilih nilai variabel bebas X.
Tekniknya digunakan untuk mengembangkan persamaan dan memberikan
estimasi disebut analisis regresi.
Persamaan Regresi Suatu Persamaan Yang Menyatakan Hubungan

Linear Antara Dua Variabel.
Formulir Umum Persamaan Regresi Linear Y '= A + Bx [13-3]
Dimana :
Y 'read Y prime, adalah nilai prediksi dari variabel Y untuk nilai X yang dipilih.
a adalah V-intersep. Ini adalah nilai estimasi Ywhen X = O. Cara lain untuk
menempatkan itu adalah: a adalah nilai estimasi Y di mana garis regresi melintasi
sumbu Y ketika X adalah nol.
b adalah kemiringan garis, atau perubahan rata-rata dalam Y 'untuk setiap

perubahan satu unit (baik naik atau turun) di variabel independen X.
X adalah nilai apa pun dari variabel independen yang dipilih.

BAGAN 13-8 Kotak Terkecil Baris
BAGAN 13-9 Garis Digambar dengan

Ujung Lurus
BAGAN 13-10 Garis Digambar dengan

Ujung Lurus
Rumus untuk a dan b adalah:
Dimana :
r adalah koefisien korelasi.
Sy adalah standar deviasi Y (variabel dependen).
Sx adalah standar deviasi X (variabel independen).

dimana:
Y adalah rata-rata Y (variabel dependen).
X adalah rata-rata X (variabel independen).
Contoh berikut menunjukkan detail penentuan nilai kemiringan dan

intersepsi.
Ingat contoh yang melibatkan Penjualan Mesin Fotocopy Amerika. Manajer

penjualan mengumpulkan informasi pada jumlah panggilan penjualan yang
dilakukan dan jumlah mesin fotokopi yang dijual secara acak sampel 10
perwakilan penjualan. Sebagai bagian dari presentasinya di masa mendatang
pertemuan penjualan, Ms. Bancer, manajer penjualan, ingin menawarkan
informasi spesifik tentang hubungan antara jumlah panggilan penjualan dan
jumlah mesin fotokopi Terjual. Gunakan metode kuadrat terkecil untuk
menentukan persamaan linier untuk mengekspresikan hubungan antara dua
variabel. Berapa jumlah mesin fotokopi yang dijual oleh seorang perwakilan yang
melakukan 20 panggilan?
Perhitungan yang diperlukan untuk menentukan persamaan regresi adalah :
Deviasi standar untuk panggilan penjualan (X) dan unit yang dijual (Y)
serta sarana masing-masing dapat ditemukan dalam lembar kerja Excel di
halaman 381. Nilai r dihitung di bawah lembar kerja.
Dengan demikian, persamaan regresi adalah Y '= 18.9476 + 1.1842X. Jadi

jika seorang tenaga penjualan melakukan 20 panggilan, ia dapat berharap untuk
menjual 42.6316 mesin fotokopi, ditemukan oleh Y '18.9476 + 1.1842X =
18.9476 + 1.1842 (20). Nilai b dari 1,1842 berarti bahwa untuk setiap panggilan
penjualan tambahan yang dibuat perwakilan penjualan dapat berharap untuk
meningkatkan jumlah mesin fotokopi yang terjual sekitar 1,2. Dengan kata lain,
lima panggilan penjualan tambahan dalam sebulan akan menghasilkan sekitar
enam mesin fotokopi lagi yang dijual, ditemukan oleh 1,1842 (5) = 5,921.

Nilai 18.9476 adalah titik di mana persamaan melintasi sumbu Y.
Terjemahan literal adalah bahwa jika tidak ada panggilan penjualan yang
dilakukan, yaitu, X = 0, 18.9476 mesin fotokopi akan dijual. Perhatikan bahwa X
= 0 berada di luar kisaran nilai yang termasuk dalam sampel dan, oleh karena itu,
tidak boleh digunakan untuk memperkirakan jumlah mesin fotokopi yang terjual.
Panggilan penjualan berkisar antara 10 hingga 40, jadi perkiraan harus dibuat
dalam kisaran itu.
Asumsi-asumsi yang Mendasari Regresi Linier
Untuk menerapkan regresi linier dengan benar, beberapa asumsi diperlukan.

Bagan 13-14 menggambarkan asumsi-asumsi ini.
1. Untuk setiap nilai X, ada sekelompok nilai Y. Nilai-nilai ini mengikuti

distribusi normal.
2. Rata-rata distribusi normal ini terletak pada garis regresi.
3. Standar deviasi dari distribusi normal ini semuanya sama. Estimasi terbaik yang
kami miliki tentang deviasi standar umum ini adalah standar kesalahan estimasi
(Sy.x).
4. Nilai-nilai Y secara statistik independen. Ini berarti bahwa dalam memilih

sampel X tertentu tidak tergantung pada nilai X lainnya. Asumsi ini sangat
penting ketika data dikumpulkan selama periode waktu tertentu. Dalam situasi
seperti itu, kesalahan untuk periode waktu tertentu sering dikaitkan dengan
kesalahan orang lain periode waktu.
Hubungan antara Koefisien Korelasi, Koefisien Determinasi, dan Kesalahan

Estimasi Standar
Pada bagian sebelumnya, kami membahas standar kesalahan estimasi,

yang mengukur seberapa dekat nilai aktual dengan garis regresi. Ketika kesalahan
standar kecil, itu menunjukkan bahwa kedua variabel terkait erat. Dalam
perhitungan kesalahan standar, istilah kuncinya adalah I (Y - y ') 2. Jika nilai
istilah ini kecil, maka nilai kesalahan standar juga akan kecil. Koefisien korelasi
mengukur kekuatan hubungan linier antara dua variabel. Ketika titik-titik pada
diagram pencar tampak dekat dengan garis, kami mencatat bahwa koefisien
korelasi cenderung besar. Dengan demikian, standar kesalahan estimasi dan
koefisien korelasi menghubungkan informasi yang sama tetapi menggunakan

skala yang berbeda untuk melaporkan kekuatan asosiasi. Namun, kedua
pengukuran tersebut melibatkan istilah (Y - Y ') 2. Kami juga mencatat bahwa
kuadrat dari koefisien korelasi adalah koefisien determinasi. Koefisien
determinasi mengukur persentase variasi dalam Y yang dijelaskan oleh variasi
dalam X.
Mengubah Data
Koefisien korelasi menggambarkan kekuatan hubungan linear antara dua

variabel. Bisa jadi dua variabel terkait erat, tetapi hubungan ini tidak linier.
Berhati-hatilah saat menafsirkan koefisien korelasi. Nilai r dapat mengindikasikan
tidak ada hubungan linier, tetapi bisa jadi ada hubungan beberapa bentuk
nonlinear atau lengkung lainnya. Untuk menjelaskan, di bawah ini adalah daftar
13 pegolf profesional, jumlah yang mereka dapatkan selama musim 2002, dan
skor rata-rata mereka per putaran. (Dalam golf, tujuannya adalah memainkan 18
hole dalam jumlah pukulan paling sedikit. Jadi, skor rata-rata yang lebih rendah
terkait dengan penghasilan yang lebih tinggi.)
Untuk data golf di atas korelasi antara variabel, pendapatan dan skor,
menunjukkan hubungan negatif yang cukup kuat. Korelasinya adalah -0,782,
tetapi ketika kita menggunakan diagram sebar untuk memplot data hubungan
tampaknya nonlinier. Artinya, hubungan tidak mengikuti garis lurus.

BAB III
Pembahasan
A.PEMBAHASAN ISI BUKU
Pada bagian ini, kami akan membuat beberapa pembahasan isi antara buku I
dengan buku II, yaitu :
1. Buku : Buku 1 Stastistic For Economics, Accounting dan Business Studies /

Michael Barrow
Dijelaskan bahwa regresi dan korelasi adalah teknik untuk menyelidiki

hubungan statistic antara dua, atau lebih, variabel. Korelasi dan regresi adalah
teknik yang paling sering digunakan oleh para ekonom dan peramal. Pada Buku I,
menggunakan contoh faktor-faktor penentu tingkat kelahiran di negara
berkembang sebagai sampel untuk menghitung korelasi dan regresi. Selain
pengertian regresi dan korelasi, buku I ini juga membahas Analisis Regresi,
Perhitungan Koefisien Determinasi ,Inferensi dalam Model Regresi, dll.
2. Buku : Basic Statistics for Buisness & Economics/ Douglas A. Lind
Menjelaskan bahwa analisis korelasi adalah studi tentang hubungan antar

variabel. Buku II ini juga membahas Koefisien Korelasi, Analisis Regresi, Asumsi
- asumsi yang Mendasari Regresi Linier, Hubungan Antara Koefisien Korelasi,
Koefisien Determinasi, Kesalahan Estimasi Standar, dll. Menurut kedua buku
terhadap pengertian regresi dan korelasi, dapat disimpulkan bahwa regresi dan
korelasi adalah salah satu analisis yang bertujuan untuk mengetahui pengaruh
suatu variable terhadap variabel yang lain dan untuk mngetahui tingkat keeratan
hubungan antara dua variable tersebut.
Tinjauan Mandiri 13-1
Haverty's Furniture adalah bisnis keluarga yang telah menjual kepada pelanggan
ritel di wilayah Chicago selama bertahun-tahun. Mereka beriklan secara luas di
radio, TV, dan Internet yang menekankan harga rendah dan persyaratan kredit

yang mudah. Pemilik ingin meninjau hubungan antara penjualan dan jumlah yang
dihabiskan untuk iklan. Di bawah ini adalah informasi tentang biaya penjualan
dan iklan selama empat bulan terakhir.
(a) Pemilik ingin memperkirakan penjualan berdasarkan biaya iklan. Variabel

mana yang merupakan variabel dependen? Variabel mana yang merupakan
variabel bebas?
(B) Gambarkan diagram sebar.
(c) Tentukan koefisien korelasi.
(D) Menafsirkan kekuatan koefisien korelasi.
(e) Tentukan koefisien determinasi. Menafsirkan.
Penyelesaian :
A. Biaya iklan adalah variabel independen dan pendapatan penjualan adalah

variabel dependen.
B.

C.
D. Ada korelasi kuat antara biaya iklan dan penjualan.
E. r2 = 0,93, 93% variasi dalam penjualan "dijelaskan" oleh variasi dalam iklan.
Tinjauan Mandiri 13-2
Sampel dari 25 kampanye walikota di kota-kota dengan populasi lebih dari 50.000
menunjukkan bahwa korelasi antara persentase suara yang diterima dan jumlah
yang dihabiskan untuk kampanye oleh kandidat adalah 0,43. Pada tingkat
signifikansi 0,05, apakah ada hubungan positif antara variabel?
Penyelesaian :
Ho ditolak. Ada korelasi positif antara persentase suara yang diterima dan jumlah
yang dihabiskan untuk kampanye.

B. Kelebihan dan Kekurangan Isi Buku
1. Kelebihan Isi Buku

 Buku 1 Stastistic For Economics, Accounting dan Business Studies /
Michael Barrow
- Banyak membahas rumus - rumus regresi dan korelasi dengan
menggunakan contoh soal yang mudah dipahami, menggunakan satu
contoh soal yang saling berkesinambungan dengan materi - materi
yang lainnya.
 Basic Statistics for Buisness & Economics/ Douglas A. Lind
- Dimana buku ini lebih ringkas dalam setiap bahasan, banyak contoh
soal serta solusi penyelesaiannya
2. Kekurangan Isi Buku

 Buku 1 Stastistic For Economics, Accounting dan Business Studies /
Michael Barrow
- Dalam buku ini banyak rumus yang masih belum dapat dengan mudah
untuk dipahami
 Basic Statistics for Buisness & Economics/ Douglas A. Lind

- Warna buku dan tulisan hanya hitam putih , halaman terlalu banyak.

BAB IV
PENUTUP
A. Kesimpulan
Korelasi dan regresi adalah teknik untuk menyelidiki hubungan statistic
antara dua, atau lebih, variabel. Meskipun secara visual bermanfaat, ini tidak
memberikan pengukuran tepat kekuatan hubungan. Korelasi dan regresi adalah
teknik yang paling sering digunakan oleh para ekonomi dan peramal.
B. Rekomendasi
Menurut kelompok kami, buku yang akan kami rekomendasikan bagi teman –
teman yaitu buku Basic Statistics for Buisness & Economics/ Douglas A. Lind
yang dimana buku tersebut memiliki penjelasan yang ringkas serta soal-soal
pembahasan yang jelas.

DAFTAR PUSTAKA
Barrow Michael ,2006, Statistic for Economics, Accounting and Business
Studies,Ingriss-Britis :FourthEdition
A. Lind,Douglas, 2006, Basic Statistic for Businees & Economics, Singapore-

Hill Education :International.

Biografi Penulis
Nama Eva Yanti , panggilan Eva, tempat
tinggal jl k.f Tandean GG lada hitam,tempat/
tanggal lahir jakarta 24-April 1999, alumni
dari TK, SD, SMP swasta Budi Dharma dan
SMK N 2 tebing tinggi. Saya anak pertama
dari 2
bersaudara.Email:eva.yanti7890@gmail.com
Nama : Muhammad Ihsan Alfahrozy

Tempat/Tgl Lahir :G.Pamela,08 juli 1999
Alamat : G.Pamela
Pekerjaan : Belum Bekerja
Hoby : Bermain Game
Status : Belum Menikah
Nama saya Tasya Afta Warifai, saya lahir di

Sei Rampah,08 November 2000. Saya tamatan
SMAN 1 T.TINGGI dan sekarang sedang
melanjutkan study di STIE BINA KARYA
mengambil program Management.

Nama saya Risa aulia putri parapat
Saya lahir di Kisaran 1 April 2000
Saya alumni SMK Negri 1 Kisaran
Sekarang saya berkuliah di STIE
BINAKARYA
Hobi saya membaca dan merangkai cerita
Saya tinggal di perumahan Inalum komplek
tanjung gading blok T14 no10
Nama : Marco Ignasius

Tempat/Tgl lahir : T.tingi, 18 juni 2000
Alamat : Jln. SM Raja gg Sempurna No. 80
Pekerjaan : Bekerja di dealer Honda Sungai
Mas
Pendidikan : SMP F.Tandean
SMA F.Tandean
Hoby : Renang
Email : marcoignasius88@gmail.com

Critical Book Review (Kelompok 7)

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Critical Book Review (Kelompok 7)

Diunggah oleh

Hak Cipta:

Format Tersedia

CRITICAL BOOK REVIEW

MICHAEL BARROW DOUGLES A LIND

1. EVA YANTI ( 18110426 )

KELAS : K3-4C / C SORE

SEKOLAH TINGGI ILMU EKONOMI (STIE)

Tebing Tinggi, 05 Oktober 2019

Statistik Probabilitas Kelompok 7 Page i

Kata Pengantar ............................................................................................................................ i

Statistik Probabilitas Kelompok 7 Page ii

1. Untuk memenuhi dan memahami tugas mata kuliah

2. Dapat dijadikan refrensi untuk pembaca dalam membeli buku

3. Membantu mahasiswa untuk berpikir kritis dan menalar dalam

2. Tujuan Critical Book Review

1. Melatih diri mahasiswa/i untuk mengetahui hasil analisis tentang

maupun pembelajaran pada buku yang diriview

2. Membantu pembaca mengetahui gambaran dan penilaian umum dari

3. Mencari dan mengetahui informasi yang ada di dalam buku

4. Membandingkan isi buku pertama dan kedua dan menghubungkan buku

3. Identitas Buku Yang Direview

Judul : Statistic For Economics, Accounting and Business Studies

Pengarang : Michael Barrow

Penerbit : Pearson Education Limited

Kota Terbit : Inggris

Edisi : Edisi keempat

Chapter : 7 ( Correlation and Regression )

Judul : Basic Statistic for business & Economics

Pengarang : Douglas A. Lind, William G. Marchal, Samuel A. Wathen

Penerbit : The McGraw-Hill Companies

Tahun Terbit : 2006

Kota Terbit : Singapura

Edisi : Edisi kelima

Chapter : 13 ( Linear Regression and Correlation )

Statistik Probabilitas Kelompok 7 Page 4

Korelasi dan regresi adalah teknik untuk menyelidiki hubungan statistic

* Apakah ketidakstabilan dalam kinerja ekspor suatu negara menghambat

Statistik Probabilitas Kelompok 7 Page 5

Variabel didefinisikan sebagai berikut:

- Tingkat pertumbuhan: tingkat pertumbuhan GNP hal. per tahun, 1961–1981.

Hubungan yang digambarkan dalam Gambar 7.1 pertama-tama dapat

Statistik Probabilitas Kelompok 7 Page 6

Statistik Probabilitas Kelompok 7 Page 7

Koefisien korelasi sampel, r, adalah statistik numerik yang membedakan antara

- n Nilai r = 0 (atau mendekati itu) menunjukkan kurangnya korelasi antara X dan

Statistik Probabilitas Kelompok 7 Page 8

Statistik Probabilitas Kelompok 7 Page 9

Apakah itu akan membuat banyak perbedaan apakah hanya 0,4?

Pemahaman kita mungkin terbantu jika kita melihat beberapa grafik

Variabel dengan korelasi yang berbeda

Statistik Probabilitas Kelompok 7 Page 10

Statistik Probabilitas Kelompok 7 Page 11

Korelasi Dan Hubungan Sebab Dan Akibat

3 X dan Y secara bersama-sama saling memengaruhi.

4 Variabel lain, Z, mempengaruhi X dan Y

Koefisien Dari Korelasi Peringkat

Terkadang data asli tidak tersedia tetapi peringkatnya tidak. Sebagai

Statistik Probabilitas Kelompok 7 Page 12

Kami akan menghitung koefisien korelasi peringkat untuk data kelahiran

Negara dengan tingkat kelahiran tertinggi memiliki peringkat 1, tertinggi 2

Tabel 7.3. Perhitungan koefisien korelasi peringkat Spearman

Catatan: Negara dengan tingkat pertumbuhan tertinggi (Korea Selatan) berada di

Statistik Probabilitas Kelompok 7 Page 13

Koefisien korelasi peringkat Spearman, rs, dihitung menggunakan rumus (7.4): 2

di mana d adalah perbedaan dalam jajaran. Perbedaan dan nilai kuadratnya