Dokumen
Dokumen
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).
Menurut Sudjana (1996:7), Statistika Deskriptif adalah fase statistika dimana hanya
berusaha melukiskan atau menganalisa kelompok yang diberikan tanpa membuat atau
menarik kesimpulan tentang populasi atau kelompok yang lebih besar dinamakan
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.
1.3 Tujuan Penulisan
Berikut ini adalah beberapa tujuan penulisan makalah :
4. Untuk memenuhi persyaratan dalam memperoleh nilai UAS Statistika
Deskriptif semester III.
5. Untuk mengetahui pengertian dan perhitungan Regrasi dan Korelasi.
6. Untuk mengetahui cara perhitungan Ukuran Gejala Pusat Data yang belum
di kelompokkan.
7. 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 kami buat.
BAB II
KAJIAN TEORI
2.1 Pengertian Regresi
Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1886.
Galton menemukan adanya tendensi bahwa orang tua yang memiliki tubuh tinggi
memiliki anak-anak yang tinggi, orang tua yang pendek memiliki anak-anak yang
pendek pula. Kendati demikian. Ia mengamati bahwa ada kecenderungan tinggi anak
cenderung bergerak menuju rata-rata tinggi populasi secara keseluruhan. Dengan kata
lain, ketinggian anak yang amat tinggi atau orang tua yang amat pendek cenderung
bergerak kearah rata-rata tinggi populasi. Inilah yang disebut hukum 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”.
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.
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.
BAB III
PEMBAHASAN
3.1 Sejarah Statistika
Gottfried Achenwall (1749) menggunakan Statistik dalam bahasa Jerman untuk pertama
kalinya sebagai nama bagi kegiatan analisis data kenegaraan, dengan mengartikannya
sebagai “ilmu tentang negara (state)”. Pada awal abad ke-19 telah terjadi pergeseran
arti menjadi “ilmu mengenai pengumpulan dan klasifikasi data”. Sir John Sinclair
memperkenalkan nama (Statistics) dan pengertian ini ke dalam bahasa Inggris. Jadi,
statistika secara prinsip mula-mula hanya mengurus data yang dipakai lembaga-
lembaga administratif dan pemerintahan. Pengumpulan data terus berlanjut, khususnya
melalui sensus yang dilakukan secara teratur untuk memberi informasi kependudukan
yang berubah setiap saat.
Pada abad ke-19 dan awal abad ke-20 statistika mulai banyak menggunakan bidang-
bidang dalam matematika, terutama peluang. Cabang statistika yang pada saat ini
sangat luas digunakan untuk mendukung metode ilmiah, statistika inferensi,
dikembangkan pada paruh kedua abad ke-19 dan awal abad ke-20 oleh Ronald
Fisher (peletak dasar statistika inferensi), Karl Pearson(metode regresi linear),
dan William Sealey Gosset (meneliti problem sampel berukuran kecil). Penggunaan
statistika pada masa sekarang dapat dikatakan telah menyentuh semua bidang ilmu
pengetahuan, mulai dari astronomi hingga linguistika. Bidang-
bidang ekonomi, biologi dan cabang-cabang terapannya, serta psikologi banyak
dipengaruhi oleh statistika dalam metodologinya. Akibatnya lahirlah ilmu-ilmu gabungan
seperti ekonometrika, biometrika (atau biostatistika), dan psikometrika.
Meskipun ada pihak yang menganggap statistika sebagai cabang dari matematika, tetapi
sebagian pihak lainnya menganggap statistika sebagai bidang yang banyak terkait
dengan matematika melihat dari sejarah dan aplikasinya. Di Indonesia, kajian statistika
sebagian besar masuk dalam fakultas matematika dan ilmu pengetahuan alam, baik di
dalam departemen tersendiri maupun tergabung dengan matematika.
3.2 Analisis Regresi
Jika dalam analisis korelasi peneliti hanya tertarik pada derajat asosiasi atau
kecenderungan umum dua buah peubah atau lebih, maka dalam analisis regresi peneliti
ingin memperoleh hubungan fungsional antara dua peubah yang dinyatakan dalam
bentuk , Y a bX = + yang merupakan penduga dari fungsi yang ada pada populasi yang
biasa dinotasikan dengan 0 1 , atau = , Y X Y X α βββ = ++ atau untuk peubah bebas
lebih dari satu dinyatakan sebagai = ,… Y X X β ββ ++ Melalui analisis regresi peneliti
ingin menghitung nilai penduga untuk j β yang sesuai dengan data. Selain melakukan
penghitungan nilai penduga untuk j β juga sekaligus melakukan uji apakah nilainya
signifikan atau dapat diabaikan (tidak signifikan). Regresi mengukur seberapa besar
suatu variabel mempengaruhi variabel yang lain, sehingga dapat digunakan untuk
melakukan peramalan nilai suatu variabel berdasarkan variabel lain. Analisa regresi ada
dua : Analisa Regresi Sederhana dan Analisis Regresi Berganda.
Analisis regresi linier berganda adalah hubungan secara linear antara dua atau lebih
variabel independen (X1, X2,….Xn) dengan variabel dependen (Y). Analisis ini untuk
mengetahui arah hubungan antara variabel independen dengan variabel dependen
apakah masing-masing variabel independen berhubungan positif atau negatif dan untuk
memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami
kenaikan atau penurunan. Data yang digunakan biasanya berskala interval atau rasio.
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
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.
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.
1. Koefisien Determinasi ( r2 )
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.
3.4 Contoh Regresi dan Korelasi
Berikut adalah data biaya promosi dan volume penjualan PT. Sukasukaku perusahaan
minyak goreng.
Y
X
Volume
Biaya penjualan
Promosi
(Ratusan
Tahu (Juta juta rupiah
n Rupiah) per liter) xy X2 Y2
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
2. Analisis Regresi
Analisis regresi bertujuan untuk melihat pengaruh satu variabel terhadap variabel
lainnya.
Langkah-langkah membuat Regresi dengan menggunakan excel:
2. Ketik data X pada kolom B dan data Y pada kolom C
3. Pilih Data pada menu utama
4. Pilih Data Analysis
5. Pilih Regression
6. Klik OK Setelah muncul kotak dialog
üPada input Y range , sorot pada range C3:C7
üPada input X range, sorot pada range B3:B7
üPada output range, ketik A9
üKlik OK
Maka hasil yang akan dikeluarkan adalah sebagai berikut:
2. Analisis Korelasi
Analisis korelasi juga dapat digunakan dalam Excel.
Korelasi menunjukkan keeratan hubungan antar variabel
Keeratan tersebut dicerminkan dari nilai korelasi yang semakin tinggi.
Nilai korelasi berada di antara 0 hingga 1
Tanda nya dapat positip dan negatif
Positip menunjukkan hubungan dua variabel searah sedang negatif
menunjukkan hubungan kedua variabel berlawanan.
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.
Diposting 23rd November 2014 oleh Muhammad Aldy RIandry
1
Lihat komentar
2.