OLEH KELOMPOK 2
ANGGOTA :
1. Aprisal C10222018
2. Andi Jamil Zainal C10222019
3. Hertasming C10222020
4. Mawaddah C10222021
5. Evi Yanti C10222022
6. Hamka C10222023
7. Muh. Ari Gunawan S. C10222024
8. Serius Pahu’u C10222025
9. Santi C10222026
10. Irmawati C10222027
Y= a + bx .............................................................................. (2.1)
Dengan :
Y = Subyek dalam variabel dependen yang diprediksikan
X = Subyek pada variabel independen yang mempunyai nilai tertentu.
a = Parameter intercept
b = Parameter koefisien regresi variabel bebas
Contoh kasus:
Seorang engineer ingin mempelajari hubungan antara suhu ruangan
dengan jumlah cacat yang diakibatkannya, sehingga dapat memprediksi
atau meramalkan jumlah cacat produksi jika suhu ruangan tersebut
tidak terkendali. Engineer tersebut kemudian mengambil data selama
30 hari terhadap rata-rata (mean) suhu ruangan dan jumlah cacat
produksi (Sugiyono, 2006).
2) Regresi Linier Berganda
Analisis regresi linier berganda ini digunakan untuk memprediksi
berubahnya nilai variabel tertentu bila variabel lain berubah. Dikatakan
regresi berganda, karena jumlah variabel bebas (independent) sebagai
prediktor lebih dari satu, maka digunakan
persamaan regresi linier berganda dengan rumus, sebagai berikut:
Dimana
Ŷ = variabel tidak bebas (dependen)
α0, … , αk = koefisien regresi
x1, … , xk = variabel bebas (independen)
d. Regresi Non Linier
Regresi non linier adalah suatu metode untuk mendapatkan model non
linier yang menyatakan variabel dependen dan independen. Apabila
hubungan fungsi antara variabel bebas X dan variabel tidak bebas Y
bersifat non linier, tansformasi bentuk nonlinier ke bentuk linier. Untuk
mendapatkan linieritas dari hubungan non linier, dapat dilakukan
transformasi pada variabel dependen atau variabel independen atau
keduanya (Syahriani dkk, 2014).
1) Model Parabola
Bentuk di sini agak sedikit berbeda dengan model linier, di mana garis
persamaannya merupakan garis lengkung (cembung). Digunakan pada
misalnya dalam belajar, penambahan jam pelajaran maupun jumlah
mata kuliah untu satu semester. Tidak selamanya penambahan jumlah
jam belajar akan menaikkan hasil belajar.
Yˆ a b. X c. X 2 ...............................................................................................................................................(2.3)
Dimana:
Ŷ = variabel tidak bebas (dependen)
X = variabel bebas (independen)
a, b, c = konstanta
2) Model Hiperbola
Pada regresi hiperbola, dimana variabel bebas X atau variabel tak bebas
Y, dapat berfungsi sebagai penyebuit sehungga regresi ini disebut
regresi dengan fungsi pecahan.
Persamaan regresi hiperbola ada dua model yaitu :
a) Y = 1/(a+bX) dimana garis persamaan akan memotong sumbu Y,
ini berarti bahwa nilai X ada yang negatif, atau bahkan keduanya
(nilai X maupun Y) sama-sama negatif.
b) Y = a+ b/X dimana garis persamaannya akan memotong sumbu X,
ini berarti bahwa dalam persamaan ini penyebaran nilai Y ada
yang negatif.
Dimana
Ŷ = variabel tidak bebas (dependen)
X = variabel bebas (independen)
a, b = konstanta
3) Model Fungsi Pangkat
Pada regresi Model fungsi pangkat ini tidak jauh berbeda dengan model
parabola namun perhitungannya lebih panjang daripada model
parabola, tetapi langkahnya tidak jauh berbeda.
Yˆ a .X b............................................................................................................................................................................................................................(2.7)
Dimana
Ŷ = variabel tidak bebas (dependen)
X = variabel bebas (independen)
a, b, = konstanta
e. Regresi Eksponensial
Regresi Eksponensial digunakan untuk menentukan fungsi eksponensial
yang paling sesuai dengan kumpulan titik data (x n. ,y n. ) yang
diketahui. Regresi Eksponensial merupakan pengembangan dari regresi
linier dengan memanfaatkan fungsi logaritmik.
Persamaan regresi eksponensial:
Yˆ a .b X........................................................................................................... (2.8)
Dimana
Ŷ = variabel tidak bebas (dependen)
X = variabel bebas (independen)
a, b = konstanta
f. Regresi Dummy
Variabel dummy adalah variabel yang digunakan untuk mengkuantitatifkan
variabel yang bersifat kualitatif (misal: jenis kelamin, ras, agama,
perubahan kebijakan pemerintah, perbedaan situasi dan lain- lain). Variabel
dummy hanya mempunyai 2 (dua) nilai yaitu 1 dan nilai 0, serta diberi
simbol D. D = 1 untuk suatu kategori (wanita, Batak, Islam, damai dan
sebagainya). D = 0 untuk kategori yang lain (pria, Jawa, Kristen, perang
dan sebagainya). Variabel dummy digunakan sebagai upaya untuk melihat
bagaimana klasifikasi-klasifikasi dalam sampel berpengaruh terhadap
parameter pendugaan. Variabel dummy juga mencoba membuat
kuantifikasi dari variabel kualitatif.
Model Dummy Intersep
Y = a + bX + c D1 ...................................................................... (2.9)
Y = a + bX + c (D1X).................................................................. (2.10)
Kombinasi
Dimana
Ŷ = variabel tidak bebas (dependen)
X = variabel bebas (independen)
a, b,c = konstanta
D = konstanta Dummy
g. Regresi Logistik
Pada prinsipnya, regresi logistik mempunyai tujuan untuk memperkirakan
besarnya probabilitas kejadian tertentu di dalam suatu populasi sebagai
suatu fungsi eksplanatori, misalnya untuk mengetahui peluang kejadian
kebakaran di kawasan taman nasional X pada kondisi wilayah tertentu dan
faktor apa saja yang berpengaruh signifikan terhadap kejadian kebakaran
di sana. Regresi ini menggunakan variabel respon/terikat berbentuk
dummy. Tidak seperti regresi linier biasa, penggunaan regresi logistik
memiliki kelebihan dalam hal pelanggaran beberapa asumsi yang harus ada
pada regresi linier biasa seperti asumsi kenormalan dan homokedastisitas.
Estimasi nilai Y juga terletak pada range yang sangat luas (dapat berada di
luar interval 0-1). Dengan demikian secara matematis penggunaan regresi
logistik menjadi lebih mudah digunakan.
Persamaan regresi logistik:
…………………………………………………………..(2.12)
Dimana
Ŷ = variabel tidak bebas (dependen)
X = variabel bebas (independen)
a, b = konstanta
2.1 Pengertian Korelasi
Berikut ini adalah beberapa pendapat para ahli mengenai korelasi dan
pengertian korelasi secara umum.
h. Menurut Para Ahli
1) Menurut Gay dalam Sukardi (2004:166) penelitian korelasimerupakan
salah satu bagian penelitian ex–postfacto karena biasanya peneliti tidak
memanipulasi keadaan variabel yang ada dan langsungmencari
keberadaan hubungan dan tingkat hubungan variabel yang direfleksikan
dalam koefisien korelasi.
2) Menurut Faenkel dan Wallen, penelitian korelasi atau korelasional
adalah suatu penelitian untuk mengetahui hubungan dan tingkat
hubungan antara dua variabel atau lebih tanpa ada upaya untuk
mempengaruhi variabel tersebut sehingga tidak terdapat manipulasi
variabel
3) Menurut Mc Millan dan Schumacher, adanya hubungan dan tingkat
variabel ini penting karena dengan mengetahui tingkat hubungan yang
ada, peneliti akan dapat mengembangkannya sesuai dengan tujuan
penelitian. Jenis penelitian ini biasanya melibatkan ukuran
statistik/tingkat hubungan yang disebut dengan korelasi.
(Ahmad Wira, 2014).
a. Secara Umum
Korelasi adalah metode untuk mengetahui tingkat keeratan hubungan
antara dua peubah atau lebih yang digambarkan oleh besarnya korelasi.
Koefisien korelasi adalah koefisien yang menggambarkan tingkat keeratan
hubungan antar dua peubah atau lebih. Besaran dari koefisien korelasi tidak
menggambarkan hubungan sebab akibat antara dua peubah (lebih) tapi
semata-mata menggambarkan keterlibatan linier antar peubah. Nilai
koefisien korelasi berkisar antara (-1) sampai 1
1) Nilai -1 berarti terdapat hubungan negatif (berkebalikan) yang
sempurna.
2) Nilai 0 berarti tidak terdapat hubungan sama sekali.
3) Nilai 1 berarti terdapat hubungan positif yang sempurna.
(Ahmad Wira, 2014).
2.2 Jenis-Jenis Korelasi
a. Korelasi Linier (Bivariat)
Korelasi sederhana digunakan untuk mengetahui hubungan di antara dua
variabel, dan jika ada hubungan, bagaimana arah hubungan tersebut.
Keeratan hubungan antara satu variabel dengan variabel yang lain biasa
disebut dengan Koefisien Korelasi yang ditandai dengan “r“. Adapun
rumus “r” adalah:
Dimana :
r = nilai koefisien korelasi
𝑁(∑ 𝑥𝑦)−(∑ 𝑥 ∑ 𝑦)
𝑟= 2 2 1/2
……………………………….(2.23)
{(𝑁 ∑ 𝑥2−(∑ 𝑥) )(𝑁 ∑ 𝑦2−(∑ 𝑦) )}
Dimana :
𝐽𝐾(𝑟𝑒𝑔)
𝑅2 = ……………………………………………..………….(2.24)
∑ 𝑌2
R2 = Koefisien korelasi ganda
JK(reg) = Jumlah kuadrat regresi dalam bentuk deviasi
∑ 𝑌2 = Jumlah kuadrat total korelasi dalam bentuk deviasi
Dari nilai koefisien korelasi (R) yang diperoleh didapat hubungan – 1 <
R < 1 sedangkan harga untuk masing-masing nilai R adalah :
1) Apabila R = 1, artinya terdapat hubungan antara variabel X dan Y
semua positif sempurna.
c. Korelasi Pearson
Korelasi Pearson Product Moment, yang merupakan pengukuran
parametrik, akan menghasilkan koefisien korelasi yang berfungsi untuk
mengukur kekuatan hubungan linier antara dua variable. Jika hubungan
dua variable tidak linier, maka koefisien korelasi pearson tersebut tidak
mencerminkan kekuatan hubungan dua variable yang sedang diteliti;
meski kedua variable mempunyai hubungan kuat. Symbol untuk korelasi
Pearson adalah “p” jika diukur dalam populasi, dan “r” jika diukur dalam
sampel. Korelasi pearson mempunyai jarak antara -1 sampai dengan +1.
Jika koefisiean korelasi adalah -1, maka kedua variable yang diteliti
mempunyai hubungan linier sempurna negative. Jika koefisien korelasi
adalah +1, maka kedua variabel yang diteliti mempunyai hubungan linier
sempurna positif. Jika koefisien korelasi menunjukkan angka 0, maka tidak
terdapat hubungan antara dua variabel yang dikaji. Jika hubungan
dua variabel linier sempurna, maka sebaran data tersebut akan membentuk
garis lurus. Sekalipun demikian, pada kenyataannya kita akan sulit
menemukan data yang dapat membentuk garis linier sempurna. Data yang
digunakan dalam korelasi Pearson sebaiknya memenuhi persyaratan,
diantaranya ialah :
1) Berskala interval / rasio
2) Variabel X dan Y harus bersifat independen satu dengan lainnya
3) Variabel harus kuantitatif simetris
Asumsi dalam korelasi Pearson diantaranya adalah :
1) Terdapat hubungan linier antara X dan Y
2) Data berdistribusi normal
3) Variabel X dan Y simetris. Variabel X tidak berfungsi sebagai
variabel bebas dan Y sebagai variabel tergantung
4) Sampling representative
5) Varian kedua variabel sama
(Jonathan Sarwono, 2006).
Rumus momen produk Pearson :
𝑁 ∑ 𝑥𝑦−(∑ 𝑥)(∑ 𝑦)
𝑟𝑥𝑦 = ……………………………….(2.25)
√[𝑁 ∑ 𝑥2+(∑ 𝑥)2][𝑁 ∑ 𝑦2+(∑ 𝑦)2]
Dimana :
rxy = Koefisien korelasi
X = Jumlah skor tiap item
Y = Jumlah total skor seluruh item
N = Jumlah responden
(Ichwanul Jaya, 2014).
d. Korelasi Rank Spearman
Jika pengamatan dari 2 variabel X dan Y adalah dalam bentuk skala
ordinal, maka derajat korelasi dicari dengan koefisien korelasi Spearman.
Prosedurnya terdiri atas :
1) Atur pengamatan dari kedua variabel dalam bentuk ranking
2) Cari beda dari masing-masing pengamatan yang sudah berpasangan
3) Hitung koefisien korelasi Spearman dengan rumus
Dimana :
d1 = beda antara 2 pengamatan berpasangan
N = total pengamatan
𝜌 = koefisien korelasi spearman
e. Korelasi Parsial
Korelasi parsial (Partial Correlation) digunakan untuk mengetahui
hubungan antara dua variabel dimana variabel lainnya yang dianggap
berpengaruh dikendalikan atau dibuat tetap (sebagai variabel kontrol).
Nilai korelasi (r) berkisar antara 1 sampai -1, nilai semakin mendekati 1
atau -1 berarti hubungan antara dua variabel semakin kuat, sebaliknya nilai
mendekati 0 berarti hubungan antara dua variabel semakin lemah. Nilai
positif menunjukkan hubungan searah (X naik maka Y naik) dan nilai
negatif menunjukkan hubungan terbalik (X naik maka Y turun).
Data yang digunakan biasanya berskala interval atau rasio
(Adhika, 2015).
Untuk memberikan interpretasi koefisien korelasi sebagai berikut:
0,00 - 0,199 = sangat rendah
Keterangan :
rX2Y : koefisien korelasi
N : jumlah responden
X : skor variabel x
Y : skor variabel y
Notasi : rX2Y.X1 : korelasi parsial X2 dengan Y sedangkan X1
dikontrol dengan :
SD variabel tergantung
Koefisien regresi tidak baku = Koefisien regresi baku X (2.38)
SD variaebel bebas
Dimana :
SD variabel tergantung = Standar Deviasi variabel tergantung
SD variabel bebas = Standar Deviasi variabel bebas
Koefisien regresi tidak baku (Unstandaridzed regression coefficient):
koefesien yang belum distandarisasi yang mempunyai nilai acak dan tidak
terbatas lawan dari koefisien yang distandarisasi dengan nilai ± 1. Prediktor
tertentu yang diukur dalam unit dengan nilai – nilai yang lebih besar akan
terdapat kemungkinan mempunyai koefesien regresi parsial yang tidak baku
yang lebih besar daripada prediktor tertentu yang diukur dalam unit nilai yang
lebih kecil. Oleh karena itu, kita akan kesulitan membandingkan bobot relatif
prediktor – prediktor tersebut saat mereka tidak diukur dengan menggunakan
skala atau ukuran yang sama. Koefesien regresi tidak baku dapat diubah
menjadi koefesien baku dengan cara mengkalikan koefesien regresi tidak
baku dengan deviasi standar variabel bebas dengan dibagi oleh
deviasi standar variabel tergantungnya.
Dimana :
SD variabel tergantung = Standar Deviasi variabel tergantung
SD variabel bebas = Standar Deviasi variabel bebas
(Sarwono, 2006).
2.4 Tabel R
a. Definisi
Tabel r digunakan dalam rangka pengujian statistik, misalnya untuk
pengujian validitas konstruk. Tabel r ini biasanya terdapat pada lampiran
buku-buku Statistika.
Untuk menghitung nilai r tabel harus terlebih dahulu menghitung nilai
t tabel. Hal ini karena nilai t tabel dihasilkan dari rumus sebagai berikut:
𝑟= …………………………………………………………(2.40)
Pada pembahasan ini kita membahas tentang metode statistik yaitu regresi
dan korelasi untutk mengetahui hubugan dua variable yaitu variable bebas(x) dan
variable terikat(y) tepatnya hungan antara tinggi badan dan waktu tempuh berlari.
Pada modul ini kita mengambil 30 responden untuk di uji dengan metode regresi
dan koreasi, pengambilan data di lapangan Hasanunddin dengan jarak 180 m pada
tanggal 14-15 April 2018. (Laode Muhammad Itmam, 2018)
a. Analisa Regresi
Pertama kita akan menganalisa hasil perhitugan regresi, pada perhitungan
regresi kita ingin mencari nilai a dan b untuk dimasukkan kedalam persamaan
regresi 𝑦 = 𝑎 ± 𝑏𝑥. pada perhitungan manual kita mendapatkan nilai 𝑎 = 79,124 dan
nilai 𝑏 = −0,038 sehingga kita mendapatkan persamaan regresi 𝑦 = 𝑎 ± 𝑏𝑥 setelah
di masukkan nilai a dan b kita akan mendapat persaman 𝑦 = 79,124 − 0,038𝑥.
b. Analisa korelasi
Selanjutnya kita akan menganalisis hasil yang didapat pada perhitungan
korelasi, pada perhitungan korelasi kita menggunakan korelasi person karena kita
ingin mengetahui kekuatan hubungan linier antara varaibel X(tinggi badan) dan
variabel Y(waktu lari). Untutk nilai korelasi yaitu -1< r < 1, semakin mendekati
angkat satu berarti korelasi antar variabel semakin kuat. Nilai yang positif
menandakan korelasi positif antar variabel, sedangkan nilai yang negatif
menandakan korelasi negatif. Dari hasil perhitungan, diperoleh r = -0,0227 sehingga
dapat disimpulkan hubungan tinggi badan dan waktu lari memiliki keeratan
hubungan yang lemah karena nilai korelasinya sangat mendekati angka 0 dan nilai
korelasinya bertanda negatif yang berarti bahwa hubungan tinggi badan dan waktu
lari berbanding terbalik. Hasil yang didapat pada perhitungan manual sesuai dengan
hasil yang di dapat pada perhitungan Software, SPSS maupun Minitab.