Acara III.

Asosiasi Dua Peubah

Tujuan : 1. Mahasiswa dapat melakukan beberapa pengujian

2. mengenalkan analisis regresi dan korelasi linear sederhana
3. pengenalan perangkat lunak untuk analisis data (R-Studio)

A. Uji hipotesis untuk Korelasi

Sebagaimana telah disampaikan sebelumnya, kedekatan hubungan
antara dua peubah. X dan Y, dapat dinyatakan dengan suatu besaran
yang disebut koefisien korelasi antara Y dan X, dilambangkan ρx,y atau
Corr(X,Y):
σ xy
ρx, y=
σxσ y .
Besaran itu berlaku untuk populasi. Besaran tersebut dapat diduga
nilainya menggunakan pasangan data (Xi,Yi), i = 1, 2, ..., n, yang
merupakan cuplikan acak dari populasi dan formula yang dipakai pun
sama saja. Untuk membedakan, koefisien korelasinya disimbolkan
sebagai rXY atau r saja.
Tentu saja penggunaan cuplikan memunculkan pertanyaan, apakah
nilai yang diperoleh mewakili populasi. Uji hipotesis terhadap H0: ρx,y=
0 (“apakah X dan Y saling independen”) dapat dilakukan untuk
menjawab pertanyaan tersebut.
Hipotesis nol diuji dengan mendasarkan pada kenyataan bahwa
statistik uji t dapat diperoleh melalui pendekatan

t= √ (n−2 ). r 2
(1−r 2 )
yang mengikuti distribusi t-Student dengan ν = n – 2.

B. Uji hipotesis untuk Koefisien Regresi

Berbeda dari korelasi, yang mengukur kebersamaan variasi pada
peubah X dan Y, dalam regresi Y terhadap X dibicarakan bagaimana
perubahan pada X, disebut “peubah bebas” (independent variable)
atau “peubah penjelas” (explanatory variable), mengakibatkan
perubahan pada Y, disebut “peubah tergantung” (dependent variable).
Sebagai misal, X adalah curah hujan dan Y adalah produksi kakao.
Contoh lain, X adalah dosis pupuk NPK dan Y adalah produksi jagung.
Jelas bahwa nilai Y tergantung pada nilai X. Akan tetapi, jika ada
sejumlah data, bukan hanya X saja yang menentukan nilai Y,
melainkan juga faktor kebetulan (biasa disebut “sesatan” atau “efek
sisa”/residual). Dengan lambang, hal ini ditulis sebagai Y = f(X) + ε
dengan ε = sesatan. Bentuk f(X) biasanya tidak diketahui, namun jika
hubungan X dan Y dianggap linear, diperoleh f(X) = α + βX.
Jadi, pasangan data (Xi,Yi), i = 1, 2, ..., n akan memenuhi
persamaan
Yi = α + βXi + εi
α disebut intersep dan β disebut koefisien regresi. Penduga α dan β,
dilambangkan dengan a dan b, didapat dengan metode jumlah kuadrat
terkecil, yang tidak akan dibahas di sini.
sehingga diperoleh b = sXY / s2X dan a = mY – b·mX apabila m adalah
rerata cuplikan.
Karena b diperoleh dari cuplikan, tentunya diinginkan pengujian,
bahwa H0: β=β0 vs. H1: β≠ β0. Statistik ujinya, seperti biasa, adalah

t = (b – β0) / √ Var(b) , dengan Var(b) = (s 2

Y – b2·s2X) / [(n – 2) ·s2X ],
yang mengikuti distribusi t-Student dengan derajat bebas ν = n – 2.
Pengujian untuk H0: α = 0 juga ada, tetapi tidak akan dibahas.
C. Uji hipotesis untuk Selisih Dua Koefisien Regresi
Sejalan dengan adanya uji hipotesis untuk rerata maupun dua
rerata, terhadap koefisien regresi dapat pula dibangun uji hipotesis
untuk dua regresi. Hal ini misalnya dapat terjadi bila kita melakukan
pengukuran hubungan dua peubah Y dan X, pada dua kondisi yang
berbeda. Sebagai misal, kita ingin membandingkan pengaruh suhu
pemanasan terhadap tingkat kelunakan daging ikan pada dua cara
pemanasan yang berbeda. Di sini, yang ingin diuji adalah “apakah laju
perubahan pengaruh pada cara pemanasan pertama berbeda dengan
pada cara pemanasan kedua”.
Uji hipotesis yang ingin diuji adalah H0: β1=β2 vs. H1: β1 ≠ β2. Bentuk
ini dapat pula diubah menjadi H0: β1 - β2 = 0 vs. H1: β1 - β2 ≠ 0.

Dua kurva linear

55
50
45
0.171536896615498 x x−+3.17014980580728
f(x) = 0.0757025576255131 23.0792548152826
40
35
30
25
20
150 160 170 180 190 200 210 220 230 240 250 260 270 280 290 300

Y1 Linear (Y1)
Y2 Linear (Y2)
 Gambar 7.1 Uji hipotesis untuk dua regresi menguji apakah kedua
kurva respons linear mewakili satu kurva yang sama gradiennya
(H0).

Mengacu pada uji hipotesis sebelumnya, statistik ujinya adalah

t = [(b1 – b2) – (β1 - β2)] / √ Var (b1−b2 ) ,

dengan
2 2
Var(b1 – b2) = s2p {1 /[(n1 −1)s X 1 ]+1/ [( n2−1)s X 2 ]}
dan
s2p = [(n1 – 1)(s2Y1 – b12 · s2X1) + (n2 – 1) (s2Y2 – b22 · s2X2)] / [(n1 + n2 –
4)].

Sebagaimana sebelumnya, t mengikuti distribusi t-Student dengan

derajat bebas ν = n1 + n2 – 4.

D. Uji Ketakgayutan (Independensi) untuk Dua Peubah Kategoris

Korelasi dan regresi dapat digunakan sebagai parameter asosiasi
antara dua peubah berupa data ordinal maupun kontinu. Akan tetapi,
keduanya tidak digunakan untuk data kategori. Data kategori adalah
data yang tidak dapat diurutkan, hanya berupa klasifikasi, seperti jenis
kelamin atau warna bunga. Biasanya, data demikian dikelompokkan
lalu dinyatakan sebagai proporsi, frekuensi, atau nisbah. Bentuk tabel
berikut di bawah ini dikenal sebagai tabel kontingensi atau crosstab (O
di sini adalah singkatan dari observation).
 …
Kolom Kolom Kolom Jumla
1 2 k h
…
Baris O11 O12 O1k m1.
1
…
Baris O21 O22 O2k m2.
2
⋮ ⋮ ⋮ ⋮ ⋮
…
Baris Ot1 Ot2 Otk mt.
t
Jumla n.1 n.2 n.k T
h

Kategori dalam baris dan kategori dalam kolom akan saling tak gayut
(independen) apabila proporsi suatu kategori pada baris dan kolom
tertentu sama saja dengan perkalian proporsi baris yang bersangkutan
dengan proporsi kolom yang bersangkutan atau Pij = Pi.P.j; dengan i =
1, 2, ..., t (baris) dan j = 1, 2, ..., k (kolom). Dalam bentuk hipotesis nol,
H0: Pij = Pi.P.j vs H1: Pij ≠ Pi.P.j
Karena diduga dari cuplikan, Pi. diduga dengan pi = mi / T dan P.j
diduga dengan pj = nj / T. Oleh karena itu, dapat dihitung harapan kita
untuk perpotongan keduanya, Eij = mi·nj / T. Apabila semua
pengamatan Oij sama dengan Eij, berarti baris dan kolom saling tak-
gayut. Jika sebaliknya, ada dugaan saling gayut antara dua peubah
jika Oij menyimpang jauh dari Eij. Keputusan apakah dua peubah
tersebut saling tak-gayut (H0) diuji dengan besaran X2 = ΣiΣj[(Oij –
Eij)2/Eij], yang akan mengikuti distribusi χ2 (khi-kuadrat) dengan derajat
bebas (t – 1)(k – 1).
 ACARA III
Telah diperiksa
Asisten :
Tanggal :
TTD :

Catatan :