1.

BAB I
PENDAHULUAN
1.1  Latar Belakang

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 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.

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.

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”.
1.2  Rumusan Masalah
Berdasarkan latar belakang di atas, dapat di rumuskan sebuah permasalahan sebagai
berikut:
1. Apa pengertian Regresi dan Korelasi?
2. Apa kegunaan Regresi dan Korelasi?
3. Apa macam-macam Regresi dan Korelasi?

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.

3.2 Analisa Korelasi

Analisa Korelasi digunakan untuk mengukur kekuatan keeratan hubungan antara dua
variabel melalui sebuah bilangan yang disebut koefisien korelasi. Dalam analisis korelasi,
kita 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:
8. Korelasi produk momen Pearson untuk mengukur derajat asosiasi
beberapa peubah dengan skala interval atau rasio.
9. Korelasi Spearman untuk mengukur derajat asosiasi antara beberapa
dengan skala ordinal (rank).
1. 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.

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

∑xy=23 ∑x2=15 ∑y2=34

∑ ∑x=26 ∑y=40 2 8 6

Bentuk umum persamaan regresi linier sederhana: Y=a+bx

a=5
Peramalan dengan persamaan 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).
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.

3.5 Analisis Korelasi dan Regresi dengan Excel

4. Untuk dapat menggunakan perintah data analisis:
1. Aktifkan program Microsoft Excel hingga terdapat worksheet kosong.
2. Klik File, Klik Menu Options,
3. Sebuah kotak dialog Excel Options ditampilkan, dan klik menu add-ins,
4. Dibagian bawah terdapat kotak Manage: Excel Add-ins. Klik icon Go.
5. Check list Anaylsis Tool Pak dan klik Go

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.

Langkah-langkahnya membuat korelasi dengan menggunakan excel:

2. Pilih Data  pada menu utama
3. Pilih Data analysis
4. Pilih Correlation
 5. Klik OK Setelah muncul kotak dialog
ü  Pada Input Range, sorot pada range A2:B11
ü  Pada Output Range,  ketik D23
ü  Klik OK
Maka hasil yang akan dikeluarkan adalah sebagai berikut:

2. Membuat grafik regresi linier

3. Pilih menu Insert – Scatter, pilih type scatter only mark
4. Pada Chart Layout dimenu bar, pilih Layout ke 3. Maka hasil yang akan
keluar adalah sebagai berikut.

3.6 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.

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:
2. tanaman mati kekeringan di musim kemarau
3. pupuk kompos diberikan saat musim kemarau
Dari kedua pernyataan di atas, kita tidak dapat mengatakan bahwa pupuk kompos
menyebabkan tanaman mati meskipun korelasinya tinggi.
3.7. Manfaat Korelasi dan Regresi
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 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).
Penggunaan Paket Komputer dalam StatistikaTersedianya paket statistika sebagai
perangkat lunak komputer memudahkan banyak peneliti dalam penggunaan analisis
statistik terhadap data yang diperoleh. Ketersediaan fasilitas ini memudahkan dan
sangat menguntungkan karena beberapa faktor.
2. Proses analisis, terutama perhitungan dapat dilakukan dengan cepat sekali
tanpa ada kesalahan hitung.
3. Peneliti dapat menghindari pekerjaan hitung yang memerlukan waktu
lama apabila dikerjakan dengan cara manual, yang akibatnya bisa melelahkan
dan terjadinya kesalahan.
4. Peneliti sudah dapat memiliki waktu yang cukup memadai untuk berpikir
dan mengembangkan masalah penelitiannya, menafsirkan hasil analisis data
yang diperolehnya, dan mengimplementasikan serta menindaklanjuti
rekomendasi dari temuan-temuannya.
Di samping kemudahan dan sejumlah keuntungan lain yang diberikan oleh fasilitas
komputer yang tersedia, ada peringatan keras agar peneliti memilih paket statistika
dengan lebih hati-hati. Paling sedikit tiga situasi yang memerlukan kehati-hatian dengan
penggunaan paket statistika dalam komputer, yaitu:
2. Ketika menganalisis data dan tidak memiliki pengetahuan statistika yang
cukup untuk mengerti secara lengkap hasil (out put) komputer yang diperoleh;
3. ketika mengajarkan penggunaan paket statistika dalam suatu pelatihan
yang terpisah dari pengajaran statistika;
4. ketika menggunakan paket statistika dalam pengajaran bidang tertentu
tanpa memerlukan metode statistika yang menunjang paket tersebut.
BAB IV
PENUTUP
2. 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.
Diposting 23rd November 2014 oleh Muhammad Aldy RIandry
 
1 
Lihat komentar

2.

Anonymous29 Oktober 2019 21.08

Dapus nya mana bang?

Balas