ANALISIS KORELASI DAN REGRESI

Skala Pengukuran
Mengenal jenis data merupakan hal yang penting dalam statistika karena berhubungan dengan
analisis statistika yang akan digunakan. Beberapa analisis statistika mensyaratkan jenis data
tertentu, jika jenis data yang digunakan tidak relevan dengan analisis yang digunakan maka
hasil yang diperoleh tidak sah.
1. Skala Nominal
Skala/jenis data nominal merupakan skala pengukuran yang paling rendah. Angka yang
tersaji dalam skala nominal hanya sebagai penggolongan agar dapat dibedakan saja dan
tidak mengukur besaran. Sebagai contoh, dalam pengkodean jenis kelamin; kode (1) untuk
laki-laki dan (0) untuk perempuan hanya digunakan untuk membedakan jenis kelaminnya
saja dan tidak berarti bahwa salah satu jenis kelamin lebih tinggi dari yang lainnya.
2. Skala Ordinal
Skala ordinal hampir sama dengan skala nominal hanya saja selain digunakan untuk
membedakan, skala ordinal juga sudah memiliki urutan tingkatan. Contoh skala ordinal
adalah tingkat kepuasan; (5) sangat puas, (4) puas, (3) cukup puas, (2) tidak puas, (1) sangat
tidak puas. Angka-angka tersebut memiliki arti bahwa 2 lebih tinggi dari 1, 3 lebih tinggi dari
2 dan 1 dan seterusnya, namun jarak atau selisih antara 1 dan 2 tidak memiliki arti apapun.
3. Skala Interval
Pada skala interval atau selang, angka yang disajikan menunjukkan tingkatan dan angka yang
berurutan memiliki interval (jarak) yang sama. Ciri utama skala interval adalah tidak
mempunyai titik dasar (nol) mutlak sehingga operasi perbandingan tidak dapat digunakan.
Contoh skala interval adalah pengukuran suhu dengan standar derajat Celcius. Suhu 40 0 C
dan 200 C memiliki selisih yang sama dengan suhu 80 C dan 600 C yaitu 200 C akan tetapi
suhu 40 0 C tidak berarti dua kali lebih panas dari 200 C . Demikian juga suhu 00 C tidak berarti
bahwa pada suhu tersebut tidak mempunyai panas.
4. Skala Rasio
Skala rasio merupakan skala pengukuran tertinggi. Selain dapat membedakan, dapat
menunjukkan tingkatan dan memiliki interval yang sama antar dua nilai yang berurutan,
skala rasio juga dapat dibandingkan karena memiliki nilai dasar (nol) mutlak. Contohnya
tinggi badan, harga barang dan lain sebagainya.
 Dapat Ada urutan Memiliki Dapat
Data Skala dibedaka tingkata interval dibandingka
n n sama n
Nomina
Kategori √
l
k
Ordinal √ √    
Interval √ √ √
Numerik
Rasio √ √ √ √

Metode Parametrik dan Non-Parametrik

Dalam metode statistika inferensia terdapat dua metode yaitu metode statistika parametrik
dan non-parametrik. Perbedaan mendasar diantara kedua metode tersebut terletak pada
penggunaan asumsi mengenai populasi. Metode statistika parametrik mensyaratkan asumsi
bahwa populasi menyebar menurut sebaran tertentu ketika melakukan pendugaan parameter,
inferensia atau penarikan kesimpulan mengenai populasi. Contohnya analisis ragam (ANOVA)
memberikan asumsi bahwa contoh berasal dari populasi yang menyebar normal dengan ragam
homogen. Jika kedua asumsi ini tidak dipenuhi maka kesimpulan yang diperoleh menjadi tidak
valid.
Jika asumsi yang mendasari metode statistika parametrik tidak terpenuhi, kita dapat
menggunakan metode statistika inferensia lain yang tidak terlalu bergantung pada asumsi baku.
Untuk memenuhi kebutuhan ini, metode statistika non-parametrik dapat digunakan karena
metode ini tidak memerlukan asumsi mengenai sebaran data populasi. Metode statistika non-
parametrik sering disebut juga distribution-free method. Metode statistika non-parametrik
mencakup pemodelan statistika, pengujian hipotesis dan inferensia atau penarikan kesimpulan
tentang populasi. Meskipun demikian, jika asumsi yang mendasari metode statistika parametrik
dapat dipenuhi maka penggunaan metode statistika non-parametrik tidak disarankan.
Kelebihan metode statistika non-parametrik adalah; (1) Asumsi yang diperlukan sangat
minimum, (2) Pada beberapa prosedur, perhitungan dapat dilakukan dengan mudah dan cepat,
(3) konsep dan metode lebih mudah dipahami, dan (4) dapat diterapkan pada data dengan
skala/jenis yang lebih rendah. Kekurangan metode ini adalah; (1) karena metode ini sangat
sederhana dan cepat, perhitungan dalam prosedur non-parametrik terkadang dapat
“membuang” informasi dari data, (2) Meskipun perhitungan dalam metode non-parametrik
sangat sederhana, prosedur non-parametrik akan sangat membosankan terutama ketika data
yang digunakan berukuran besar.
Beberapa contoh metode statistika parametrik dan non-parametrik dalam pengujian hipotesis
statistika disajikan di tabel berikut.
 Metode
Pengujian
Parametrik Non-parametrik
Uji nilai tengah satu populasi Uji-T Uji Tanda
Uji perbedaan nilai tengah dua populasi yang saling bebas Uji-T Uji Mann-Whitney
Uji perbedaan nilai tengah lebih dari dua populasi Uji-F (ANOVA) Uji Kruskal-Wallis
Uji korelasi antar dua peubah Korelasi Pearson Korelasi Spearman

Hubungan Dua Peubah atau Lebih

Peubah/Peubah Kasus Pengumpulan Data Jenis Hubungan

1. Dosis Pupuk Diduga dosis pupuk 1. Tentukan dosis pupuk Perubahan produksi padi yang
2. Produksi padi mempengaruhi 2. Kemudian faktor-faktor lain dihasilkan per satuan luas
per satuan produksi padi per yang mempengaruhi produksi hektar dipengaruhi oleh
luas hektar satuan luas hektar padi dikendalikan sehingga perubahan dosis pupuk
pengaruhnya konstan →Hubungan Sebab Akibat
3. Kemudian amati produksi padi
yang dihasilkan

1. Tinggi Badan Diduga tinggi badan 1. Mengamati tinggi badan Pengamatan terhadap kedua
2. Berat Badan dan berat badan 2. Mengamati peubah yang peubah dilakukan secara
memiliki dianggap relevan misalnya bersamaan. Sulit untuk
hubungan berat badan atau sebaliknya mengatakan bahwa
perubahan satu peubah
disebabkan oleh
perubahan peubah lainnya
→Bukan Hubungan Sebab
Akibat
1. Banyaknya Diduga banyaknya 1. Tentukan harga barang Perubahan banyaknya barang
barang barang 2. Kemudian faktor lain yang yang terjual dipengaruhi
terjual/minggu terjual/minggu mempengaruhi banyaknya oleh perubahan harga dan
2. Adanya hari dipengaruhi oleh barang yang terjual ada/tidaknya hari libur
libur atau berbagai peubah dikendalikan sehingga →Hubungan Sebab Akibat
tidak misalnya harga pengaruhnya konstan
3. Harga Barang barang, ada 3. Amati banyaknya barang yang
tidaknya hari libur terjual pada minggu yang ada
dalam minggu hari liburnya dan minggu yang
tersebut tidak ada hari liburnya
Analisis Hubungan
Analisis hubungan adalah bentuk analisis peubah penelitian untuk mengetahui derajat atau
kekuatan hubungan, bentuk atau arah hubungan diantara peubah dan besarnya pengaruh
peubah yang satu (peubah bebas) terhadap peubah yang lainnya (peubah terikat). Dalam
analisis hubungan, hubungan antar peubah dapat berbentuk hubungan simetris, hubungan
kausal dan hubungan timbal balik
1) Hubungan simetris, merupakan bentuk hubungan dimana dua peubah atau lebih muncul
secara bersamaan. Dalam bentuk hubungan ini tidak ditemukan secara pasti adanya peubah
bebas dan peubah terikat, hal ini disebabkan karena keberadaan satu peubah tidak
disebabkan atau tidak dipengaruhi oleh keberadaan peubah lainnya. Contohnya hubungan
antara suara burung hantu dengan kematian seseorang
2) Hubungan kausal, merupakan hubungan yang sifatnya sebab akibat artinya keadaan satu
peubah disebabkan atau ditentukan oleh keadaan satu atau lebih peubah lainnya. Dalam
bentuk hubungan ini, sudah ditemukan secara pasti adanya peubah terikat dan peubah
bebas. Peubah yang nilainya bergantung pada peubah lain disebut peubah terikat (Y) dan
yang nilai-nilainya tidak bergantung pada peubah lain atau menentukan peubah lainnya
disebut peubah bebas (X).
Hubungan ini dapat terjadi apabila memenuhi beberapa syarat yaitu; a) asosiasi, menunjukkan
kaitan diantara peubah seperti yang sering diperoleh dengan teknik korelasi, b) prioritas
waktu, menunjukkan bahwa X terjadi lebih dulu dari Y, c) Hubungan sebenarnya,
menunjukkan Y benar-benar disebabkan oleh X bukan oleh faktor lain, d) rasional,
menunjukkan logika yang mendasari hubungan tersebut.
Contoh hubungan ini adalah hubungan antara iklan dengan volume penjualan, hubungan
antara valuta asing dengan harga saham dan hubungan antara pelatihan dan prestasi kerja.
3) Hubungan timbal balik atau hubungan interaktif atau hubungan resiprokal merupakan
bentuk hubungan dimana dua peubah atau lebih saling mempengaruhi. Dalam bentuk
hubungan ini sudah ditemukan secara pasti adanya peubah terikat dan peubah bebas namun
kedua peubah ini dapat bergantian kedudukannya artinya peubah terikat dapat bertindak
sebagai peubah bebas demikian sebaliknya. Contoh hubungan ini adalah hubungan antara
motivasi dan prestasi kerja, hubungan antara harga dan volume penjualan.

Alat Analisis Keterkaitan/Hubungan

Metode statistika yang digunakan dalam analisis hubungan meliputi analisis korelasi, koefisien
penentu/determinasi dan analisis regresi. Metode ini digunakan untuk hubungan yang
melibatkan dua peubah atau lebih.
Koefisien korelasi (r) adalah indeks atau bilangan yang digunakan untuk mengukur derajat
hubungan meliputi kekuatan hubungan dan bentuk/arah hubungan. Nilai koefisien korelasi
berada diantara (-1) sampai (1).
a) Jika koefisien korelasi (r) bernilai positif maka peubah-peubah berkorelasi positif yang
artinya jika peubah yang satu naik atau turun makan peubah yang lain akan mengikuti.
Semakin dekat nilai koefisien korelasi ke angka 1 maka semakin kuat korelasi positifnya
b) Jika koefisien korelasi (r) bernilai negatif maka peubah-peubah berkorelasi negatif yang
artinya jika peubah yang satu naik atau turun maka peubah yang lain akan bergerak terbalik.
Semakin dekat nilai koefisien korelasi ke angka -1 maka semakin kuat korelasi negatifnya
c) Koefisien korelasi (r) bernilai 0 artinya antar peubah tidak menunjukkan korelasi
d) Koefisien korelasi (r) bernilai 1 atau -1 artinya antar peubah menunjukkan korelasi positif
atau negatif sempurna
Jenis korelasi ditentukan oleh skala pengukuran data/peubah dan jenis hubungan antar
peubah.

r=1 r=0

r=0 r=0
Jenis hubungan simetrik
Jenis Hubungan Simetrik
X 1 = Jenis Data
Numerik
X 1 = Jenis Data
Kategorik
X 2 = Jenis Data Numerik X 2 = Jenis Data Kategorik
Korelasi Pearson
Tabel Ringkasan
Korelasi Spearman
Korelasi Spearman (Ordinal)
Tabel Ringkasan
Korelasi Chi Square

Koefisien Korelasi Pearson

Koefisien korelasi pearson digunakan pada analisis korelasi untuk peubah dengan jenis data
numerik dengan peubah dengan jenis data numerik.
S xy
r xy =
√ S xx √ S yy
dimana
X dan Y adalah peubah numerik
r xy= korelasi antara peubah X dan Y
n n
n
( x − x́ )( y i− ý ) ∑ xi ∑ yi
S xy =∑ i n
atau
i=1 (n−1) S xy =∑ x i yi − i =1 i=1
i=1 n
n n
2
∑ ( x i−x́ )2 atau n (∑ x i )
S xx =∑ x 2i − i=1
S xx = i=1
(n−1) i=1 n
n n
2
∑ ( y i− ý )2 atau n ( ∑ y i)
S yy = i =1 S xx =∑ y 2i − i=1
(n−1) i=1 n
x i= pengamatan peubah X pada i ke 1, 2, …, n
y i = pengamatan peubah Y pada i ke 1, 2, …, n

x́ = rata-rata peubah X, ý = rata-rata peubah Y

n = banyaknya data

Contoh Soal
Penelitian mengenai hubungan antara besarnya pengeluaran iklan (dalam juta Rupiah) dengan
volume penjualan barang (dalam juta) yang dicapai selama 5 tahun oleh sebuah perusahaan
menghasilkan data sebagai berikut :
i ke- Tahun X Y
1 1995 x 1 = 4,5 y 1 = 50,250
2 1996 x 2 = 5,5 y 2 = 58,375
3 1997 x 3 = 6,0 y 3 = 64,375
4 1998 x 4 = 3,5 y 4 = 56,750
5 1999 x 5 = 6,0 y 5 = 78,075
5 5

Jumlah
∑ x i = 25,5 ∑ yi = 307,825
i=1 i=1
dimana X adalah pengeluaran iklan (Rp 000.000) dan Y adalah volume penjualan (000.000)
Pertanyaan : berapa nilai koefisien korelasi Pearson (r) dan apa artinya?
1. Sebelum menggunakan uji korelasi pearson, terlebih dahulu periksa jenis data dari masing-
masing peubah. Angka 0 pada peubah pengeluaran iklan diartikan sebagai tidak ada
pengeluaran iklan sehingga 0 merupakan nilai mutlak sehingga dapat disimpulkan bahwa
data di peubah X jenisnya adalah rasio , dan angka 0 pada peubah volume penjualan
diartikan sebagai tidak ada penjualan sehingga 0 merupakan nilai mutlak sehingga dapat
disimpulkan bahwa data di peubah Y jenisnya adalah rasio. Karena jenis datanya rasio maka
peubah X dan Y merupakan peubah numerik sehingga uji korelasi pearson dapat digunakan
untuk menguji hubungan antara kedua peubah
2. Hitung nilai berikut :
X Y x2 XY y2
(50,2502 ¿=¿ 2525,06
4,5 50,250 (4,5 2)=20,250 (4,5)(50,250) = 226,125 3
2
(58,375 ¿=¿ 3407,64
5,5 58,375 (5,52)=30,250 (5,5)(58,375) = 321,063 1
(64,3752 ¿=¿ 4144,14
6 64,375 (6,02)=36,000 (6,0)(64,375) = 386,250 1
2
(56,750 ¿=¿ 3220,56
3,5 56,750 (3,52)=12,250 (3,5)(56,750) = 198,625 3
2
(78,075 ¿=¿ 6095,70
6 78,075 (6,02)=36,000 (6,0)(78,075) = 468,450 6
 5 5 5 5 5
2
∑ x i = 25,5 ∑ yi = 307,825 ∑ x =¿134,750
i ∑ x i y i= 1600,513 ∑ y2i = 19393,112
i=1 i=1 i=1 i=1 i=1

3. Hitung nilai koefisien korelasi Pearson

n n

n ∑ xi ∑ yi
S xy ∑ x i yi − i=1 i=1
n
i=1
r xy = =
√ S xx √ S yy n n

√ √
2 2
n (∑ x i ) n (∑ y i )
∑ x 2i − i =1
n
∑ y 2i − i=1
n
i=1 i=1

(25,5)(307,825)
( 1600,513 )−
(5)
r xy =
(25,5)2 (307,825)2
√
134,75−
r xy =0,6716
5
19393,114−
√
5

Nilai koefisien korelasi Pearson sebesar 0,6716 berarti bahwa antara pengeluaran iklan dan
volume penjualan terdapat hubungan positif yang cukup tinggi dan jika pengeluaran iklan
ditambah atau dikurangi maka volume penjualan akan ikut naik atau turun.