STAT - 3
Retno Aulia Vinarti dan Asisten Praktikum Statistika
Uji Korelasi
Korelasi adalah ukuran hubungan antara dua variable, layaknya hubungan sosial, korelasi dapat dikategorikan menjadi dua intensitas. Kedua intensitas tersebut adalah hubungan kuat dan hubungan lemah. Kuat lemahnya korelasi, ditunjukkan oleh angka yang bernama Pearson Correlation Coefficient (r). Rumus Pearson Correlation Coefficient di definisikan sebagai berikut
rxy S xy Sx
dimana
S xy SxSy
(x
x )( y i y ) n 1
i
(x
x)2
n 1
dan S y
(y
y) 2
n 1
y, maka covariance akan bernilai negatif. Covariance ini nantinya akan mempengaruhi nilai positif atau negatifnya r. Ukuran besar kecilnya nilai covariance sulit untuk dijustifikasi, oleh karena itu dilakukan pembandingan dengan hasil perkalian nilai simpangan baku dari masing-masing variable. Hasil perbandingan tersebut adalah Pearson Correlation Coefficient. Secara gambar, kuat lemahnya korelasi dapat dilihat pada gambar berikut ini
Untuk menentukan termasuk kuat ataukah lemah suatu nilai r dapat digunakan tolak ukuran sebagai berikut Sangat kuat >= +/- 0.80 Kuat = +/- 0.60 - 0.80 Sedang = +/- 0.40 - 0.60 Rendah = +/- 0.20 - 0.40 Sangat Rendah <= +/- 0.20
Sebagai representasi antara angka dengan kuat lemahnya korelasi dapat dilihat pada gambar di bawah ini
Practical Time!
Praktikum terbagi menjadi dua, yaitu dengan rumus manual dan membuktikan hasilnya dengan SPSS. Gunakan data berikut ini untuk melakukan perhitungan Pearson Correlation Coefficient secara manual. Bahan baku: - SPSS - Microsoft Excel - data uji coba Berikut data mengenai jumlah unit terbuang perjam (unit spoiled per hour) dan jumlah item hasil produksi perjam (units produced per hour) untuk 10 mesin pencetak.
Proses Excel: Cari covariance dari x dan y (disebut S xy ) Cari simpangan baku x (disebut S x ) Cari simpangan baku x (disebut S y ) Cari perbandingan antara S xy dengan hasil perkalian
S x dan S y
Berikut ini adalah capture untuk mengecek kebenaran dari hitungan excel
Proses SPSS: Klik Analyze > Correlate > Bivariate Field Item (masukkan semua item) Options, Means and Standard Deviation dan Cross Product deviation and Covariance dicentang
Output:
Correlations x x Pearson Correlation Sig. (2-tailed) Sum of Squares and Cross-products Covariance N y Pearson Correlation Sig. (2-tailed) Sum of Squares and Cross-products Covariance N 550.400 61.156 10 .855
**
y 1 .855
**
Dari table diatas dapat diketahui nilai r adalah 0.855, sedangkan pernyataan ini dapat dipercaya sebesar 99% (10.01). Untuk mencari seberapa persenkah nilai r ini dapat dipercaya, dapat dilihat pada table r berikut ini (dengan df = n - 2). Karena dikatakan akan diuji 2-tailed, maka pilih kolom yang uji dua arah.
Dari tabel diatas, didapatkan angka 0.7646, nilai r hitung (0.855) memiliki nilai yang lebih tinggi bila dibandingkan dengan nilai r table. Hal ini berarti nilai r hitung dapat dipercaya 99%. Buktikan!
Comprehensive Task!
Tentukan sifat dari hubungan antar dua variable berikut Harga Rumah dengan Waktu Berat Badan dengan Tinggi Badan Berat Badan dengan Frekuensi Makan Jam Kuliah dengan Tingkat Konsentrasi Mahasiswa Jumlah SKS tempuh per semester dengan Waktu Tidur per hari
Challenging Task!
Rumus pencarian Pearson Correlation Coefficient pada halaman awal tertulis sebagai berikut
rxy S xy Sx
S xy SxSy
(x
x )( y i y ) n 1
i
(x
x)2
n 1
dan S y
(y
y) 2
n 1
Namun pada referensi lain terdapat rumus Pearson Correlation Coefficient sebagai berikut
NXY XY [ NX (X ) 2 ][NY 2 (Y ) 2 ]
2
Apakah kedua formula tersebut akan menghasilkan nilai r yang sama? Buktikan secara praktis!
Regresi
Apabila korelasi hanya memberikan keterangan kuat atau lemah hubungan antar dua variable, regresi adalah persamaan garis linear maupun nonlinear yang akan menggambarkan dua atau lebih variable. Maka otomatis, uji regresi dilakukan hanya pada variable yang sudah terbukti memiliki hubungan atau memiliki nilai r diatas 0.6. Berdasarkan linearitasnya, regresi terbagi menjadi dua yaitu regresi linear dan regresi nonlinear. Berikut ini adalah contoh dari persamaan regresi linear dan nonlinear. Persamaan Regresi Linear (pangkat 1) Y = aX1 + bX2 + cX3 Persamaan Regresi NonLinear (ada yang tidak berpangkat 1) Y = aX2 + c Mengenai ilustrasi dari perbedaan regresi linear dengan nonlinear dapat dilihat pada gambar yang tertera di bawah ini.
Berdasarkan banyaknya variable yang diujikan, regresi terbagi menjadi dua yaitu regresi sederhana dan regresi berganda. Berikut ini adalah contoh persamaan regresi sederhana dan berganda Persamaan Regresi Sederhana (2 variable) Y = aX + b Persamaan Regresi Berganda (lebih dari 2 variable) Y = aX12 + bX2 + c Sehingga jenis regresi terdapat 4 macam, terlingkup dari jumlah variable dan linearitasnya, yaitu dijelaskan sebagai berikut Persamaan Regresi Linear Sederhana Persamaan Regresi Linear Berganda Persamaan Regresi NonLinear Sederhana
Tuliskan masing-masing persamaan regresi dari ke empat jenis diatas! Persamaan regresi selalu terdapat variable dependen (bergantung) dan independen (bebas), berbeda dengan korelasi yang tidak mengenal siapa variable bergantung dan bebasnya. Makna dari persamaan regresi dapat dijabarkan sebagai berikut
b2 dikenal sebagai konstanta atau intercept Apakah arti dari persamaan di bawah ini? Y = 3X + 10
Practical Time!
Praktikum terbagi menjadi dua, yaitu dengan rumus manual dan membuktikan hasilnya dengan SPSS. Gunakan data berikut ini untuk melakukan perhitungan secara manual Bahan baku: - SPSS - Microsoft Excel - data uji coba Berikut data mengenai jumlah unit terbuang perjam (unit spoiled per hour) dan jumlah item hasil produksi perjam (units produced per hour) untuk 10 mesin pencetak. (lihat diatas) Proses Excel: Cari Jumlah dari perkalian x dan y Cari Jumlah dari x Cari Jumlah dari y Cari jumlah dari kuadrat x Cari Kuadrat dari jumlah x
Berikut ini adalah capture untuk mengecek kebenaran dari hitungan excel
Klik Analyze > Regression > Linear Masukkan variable dependen dan independen Statistics, centang Estimates, Model Fit, R Squared Change, Descriptive, Casewise Diagnostik > All Cases Plots, centang Histogram dan Normal Probability Plot
Standardized Coefficients
Challenging Task!
Apakah arti dari table dibawah ini? Apa fungsinya?
Casewise Diagnostics Case Number 1 2 3 4 5 6 7 8 9 10 Std. Residual -1.412 -.524 -.431 -.338 -.629 .470 1.160 -.219 1.849 .073 Dependent Variable 4.00 5.00 6.00 7.00 6.00 5.00 6.00 4.00 7.00 5.00 Predicted Value 4.8387 5.3110 6.2558 7.2006 6.3739 4.7206 5.3110 4.1301 5.9015 4.9568 Residual -.83866 -.31105 -.25581 -.20058 -.37391 .27943 .68895 -.13009 1.09847 .04324
a
Comprehensive Task!
1. Manajer pemasaran Toko Buku Togamas memiliki hipotesis awal bahwa profit penjualan buku meningkat apabila jumlah pengunjung meningkat, maka Variable dependen = ?? Variable independen = ??
2. Sedangkan Satpam dari Toko Buku TOGAMAS berpendapat bahwa tingginya tingkat kehilangan barang akan menurunkan jumlah pengunjung, maka Variable dependen = ?? Variable independen = ??