Analisis

KORELASI
SHANDIYANO PUTRA
VRISKA DWINANDA FITRI
 Hubungan antar variabel :
a. Hubungan Simetris

b. Hubungan Asimetris

c. Hubungan Resiprokal
• suatu peristiwa atau kejadian memiliki
keterkaitan dengan peristiwa lain.
Dalam ranah metodologi situasi seperti itu dikenal dengan
sebutan Hubungan Sebab Akibat
• Hubungan atau korelasi antara kejadian satu dengan
kejadian yang lainnya dapat dinyatakan dengan
adanya perubahan nilai variabel

Misalnya :
• variabel harga (X)  naik turunnya harga dinyatakan
dalam perubahan nilai X
• variabel hasil penjualan (Y)  naik turunnya hasil penjualan
diperlihatkan dari perubahan pada nilai Y
 Langkah
identifikasi variabel
awal

• Variabel X (pengaruh) dan

Variabel Y (terpengaruh)

• Hubungan yang hendak diuji juga harus didasarkan

pada landasan teoritik dan logika yang kuat
 • Variabel bebas/ independent variabel/ explanatory
variable/ variabel peramal ( predictor)/ yang
meregresi (regressor) dan variabel kendali (stimulus
or control variable)
• Intinya variabel bebas adalah variabel yang nilai-
nilainya tidak tergantung pada variabel yang lainnya
• disimbolkan dengan X

• Variabel terikat / dependent variable; variabel yang

dijelaskan (explained variable); variabel yang
diramalkan (predictand); variabel yang diregresi
(regressand); variabel tanggapan (response)
• disimbolkan dengan Y
• Variabel terikat intinya adalah variabel yang
dipengaruhi; variabel yang ada karena variabel lain
 pengertian dan bentuk
KORELASI
istilah yang digunakan untuk mengukur kekuatan
hubungan antar variabel

Analisis Korelasional
merupakan cara untuk mengetahui ada tidaknya
hubungan antar 2 variabel

(a) korelasi positif;

(b) korelasi negatif;
Bentuk Korelasi : (c) tidak ada korelasi;
(d) korelasi sempurna
Korelasi/hubungan jika kenaikan Korelasi/hubungan jika kenaikan
variabel X diikuti pula dengan variabel X diikuti dengan
kenaikan variabel Y dan penurunan pada variabel Y
sebaliknya penurunan variabel X
diikuti dengan penurunan atau penurunan variabel X
variabel Y Tidak Ada Korelasi diikuti dengan kenaikan
variabel Y

Korelasi Negatif

jenis korelasi di mana Jika kedua variabel tidak

Korelasi
kenaikan ataiuPositif
penurunan memperlihatkan adanya
variabel X berbanding dengan hubungan. Ketika X naik Y naik
kenaikan atau penurunan tapi pada saat bersamaan Y
variabel Y juga bisa turun
Korelasi Sempurna
 Diagram Pencar/
Scatter Plot
• alat berupa diagram yang digunakan untuk menunjukkan ada
tidaknya hubungan antara variabel X dan variabel Y melalui
penggambaran nilai dari variabel-variabel tersebut
• menggunakan sistem koordinat cartesius. Pada sumbu X
diletakkan nilai variabel bebas dan pada sumbu Y diletakkan
nilai variabel terikat.

• Tujuan diagram pencar:

untuk mengetahui apakah titik-titik koordinat diagram
membentuk pola tertentu
 …lanjutan
• Selanjutnya dalam diagram ditarik suatu garis yang dapat
membagi dua titik koordinat pada kedua sisinya. Garis
yang ditarik diupayakan sesuai menggambarkan
kecenderungan data yang tersebar (garis best fit)
• Dari garis tersebut dapat diketahui korelasi antara 2
variabel sekaligus arah atau bentuk hubungan

• Jika garis naik  jenis hubungan positif

Jika garis turun  jenis hubungan negatif.
Jika terjadi beberapa garis  tidak ada korelasi
Jika titik2 tepat melalui garis  korelasi sempurna.
Koefisien Korelasi (KK)
• indeks atau bilangan yang digunakan untuk mengukur keeratan ( kuat,
sedang, lemah, tidak ada hubungan) antar variabel
• memiliki nilai antara: - 1 sampai dengan + 1 ( -1 ≤ KK ≤ + 1)

a. KK bernilai positif maka hubungan variabel arahnya positif

b. KK bernilai negatif maka hubungan variabel arahnya negatif
c. KK bernilai 0 maka antar variabel tidak ada hubungan
d. KK bernilai +1 atau – 1 maka variabelnya menunjukkan korelasi
sempurna positif /negatif
 …lanjutan
Untuk menentukan keeratan hubungan antar variabel dapat
menggunakan pedoman berikut :
1. KK = 0 , tidak ada korelasi
2. 0 < KK ≤ 0,20 korelasi sangat rendah/ lemah sekali
3. 0,20 < KK ≤ 0,40 korelasi rendah/ lemah
4. 0,40 < KK ≤ 0,70 korelasi cukup berarti
5. 0,70 < KK ≤ 0,90 korelasi kuat/ tinggi
6. 0,90 < KK < 1,00 korelasi sangat tinggi/ kuat/ dapat diandalkan
7. KK = 1 korelasi sempurna.

• KP (coeficient of determination) = r2
*r = koefisien korelasi
• Kontribusi X  Y = r 2 x 100%
 Korelasi Product Moment

• Korelasi product moment yang dikembangkan oleh Karl Pearson

populer juga dengan sebutan Korelasi Pearson

• Korelasi pearson merupakan indeks atau angka yang digunakan untuk

mengukur keeratan hubungan antara 2 variabel

• Fungsi :
1. Untuk mengetahui hubungan antara 2 variabel
2. Untuk mengetahui arah atau bentuk hubungan
3. Untuk mengetahui keeratan hubungan
4. Dasar untuk melakukan prediksi
Syarat :
1. Berhadapan dengan 1 sampel yang diambil secara
random
2. Masing-masing unit analisis atau elemen sampel
memiliki 2 variabel (X dan Y)
3. Masing-masing variabel yang diukur menghasilkan data
paling rendah berskala interval
4. Data harus mengikuti garis lurus/ linier
5. Diharapkan berdistribusi normal

Tes Statistiknya:
(1) ∑xy Keterangan :
r = koefisien korelasi yang
rxy = ---------------- dihitung
x = deviasi rata-rata variabel X
√ ∑x ² . ∑y ² y = deviasi rata-rata variabel Y
 (2) N ∑XY - ∑X . ∑Y
r xy = -----------------------------------------------------
√ [ n∑X ² - ( ∑ X) ² ] [( n∑Y² - (∑ Y)²]

Titik Kritis
Terletak pada Tabel Pearson atau r product moment pada berbagai n dan taraf
signfikansi

Keputusan : Ho ditolak jika rxy hasil analisis melampuai rxy tabel

atau titik kritis

a). ada tidaknya hubungan antara 2 variabel;

Kesimpulan : b). arah atau bentuk hubungan;
c). kekuatan hubungan antar 2 variabel ;
d). kontribusi variabel X terhadap variabel Y;
e). dasar melakukan prediksi
MENENTUKAN KOEFISIEN KORELASI DENGAN ANALISIS PETA KORELASI

• Untuk menentukan besar koefisien korelasi antar variabel

selain menggunakan analisis statistik product moment dapat
juga digunakan analisis peta korelasi. Secara prinsip
kedua tes tersebut tidak memiliki perbedaan.

• Kelebihan:
(a) Memudahkan melakukan analisis;
(b) Tidak melibatkan penghitungan yang rumit;
(c) Secara langsung dapat diketahui kecenderungan data
sehingga dapat diidentifikasi arah/ bentuk hubungan
 korelasi silang
• Operasi matematik pada korelasi mirip dengan pada konvolusi
• Konvolusi dapat digunakan untuk menentukan output suatu
sistem dengan input sinyal x(n), bila respon impuls dari sistem
h(n) diketahui
 
y ( n)  x ( n) * h( n)   x ( k ) h( n  k )   h( k ) x ( n  k )
k   k  

• Fungsi korelasi digunakan untuk menentukan kemiripan

antara dua buah sinyal
• Fungsi korelasi silang :
 
rxy ()   x ( n ) y( n   )   x ( n   ) y( n )
n   n  
 
ryx ()   y( n ) x ( n   )   y( n   ) x ( n )
n   n  

rxy ()  ryx () rxy ()  x ()  y()

 ... Lanjut
• Bila y(n)=x(n)  korelasi diri :
 
rxx ()   x ( n ) x ( n  )   x ( n  ) x ( n )
n   n  

Contoh
Tentukan korelasi silang dari kedua sinyal berikut :
x (n )  {,0,0,2,1,3,7,1,2  3,0,0, }

y(n )  {,0,0,1,1,2,2,4,1,2,5,0,0, }
• Jawab :
Perhitungan korelasi lebih sederhana dari konvolusi, yaitu tidak
perlu dilipat, salah satu sinyal langsung digeser, dikalikan dan
dijumlahkan
 0 0 2 -1 3 7 1 2 -3 0 0 0 0 0 0 0 0 0
0 0 0 1 -1 2 -2 4 1 -2 5 0 0 7
1 0 0 1 -1 2 -2 4 1 -2 5 0 0 13
2 0 0 1 -1 2 -2 4 1 -2 5 0 0 -18

3 0 0 1 -1 2 -2 4 1 -2 5 0 0 16
4 0 0 1 -1 2 -2 4 1 -2 5 0 0 -7
5 0 0 1 -1 2 -2 4 1 -2 5 0 0 5
6 0 0 1 -1 2 -2 4 1 -2 5 0 0 -3
7 0 0 1 -1 2 -2 4 1 -2 5 0 0 0
0 0 2 -1 3 7 1 2 -3 0 0
-1 0 0 1 -1 2 -2 4 1 -2 5 0 0
-2 0 0 1 -1 2 -2 4 1 -2 5 0 33
-3 0 0 1 -1 2 -2 4 1 -2 5 0 -14
-4 0 0 1 -1 2 -2 4 1 -2 5 0 36
-5 0 0 1 -1 2 -2 4 1 -2 5 0 19
-6 0 0 1 -1 2 -2 4 1 -2 5 0 -9
-7 0 0 1 -1 2 -2 4 1 -2 5 0 10
-8 0 0 1 -1 2 -2 4 1 -2 5 0 0
 SIFAT-SIFAT KORELASI SILANG
• Misalkan x(n) dan y(n) adalah dua buah sinyal energi
(energinya terbatas)
 
Ex   x (n)  rxx (0)
n  
2
Ey   (n)  ryy (0)
y 2

n  

• Tinjau kombinasi linier dari keduanya :

f (n )  ax (n )  by(n  )

• a, b konstanta sembarang dan L adalah pergeseran

waktu tertentu
 ... Lanjut
• Energi dari f(n) :

Ef   [ ax
n  
( n )  by ( n  k )] 2
0
  
a2  x 2

n  
( n )  b 2
 (n  k )  2ab  x (n )y(n  k )  0
y 2

n   n  

a 2 rxx (0)  b 2 ryy (0)  2abrxy ()  0

2
a a
rxx (0)   2rxy ()   ryy (0)  0
b b
4rxy2 ()  4rxx (0)ryy (0)  0
rxy ()  rxx (0)ryy (0)  E x E y
rxx ()  rxx (0)  E x
 ... lanjut
Fungsi korelasi pada sinyal periodik
• Misalkan x(n) dan y(n) adalah dua buah sinyal periodik
• Sinyal periodik adalah sinyal daya (dayanya terbatas)
• korelasi silang didefinisikan sebagai :
M
1
rxx ()  lim 
M  2M  1 n   M
x (n )x (n  )
M
1
rxy ()  lim 
M  2M  1 n   M
x (n )y(n  )

• Karena merupakan sinyal daya, maka :

1 N 1
rxx ()   x (n )x (n  )
N n 0
1 N 1
rxy ()   x (n )y(n  )
N n 0
 HUBUNGAN INPUT-OUTPUT FUNGSI KORELASI
• Misalkan x(n) adalah sinyal input dari suatu sistim dengan
respon impuls h(n), maka outputnya adalah :

y( n )  h ( n ) * x ( n )   h(k )x (n  k )
k  

• Korelasi silang dari input dan output :

ryx ()  y() * x ()  h ()  x ()  x ()  h ()  rxx ()

• Korelasi silang adalah output dari sistem bila inputnya adalah

korelasi diri
• Fungsi korelasi banyak diaplikasikan pada radar,
sonar, geologi dan komunikasi digital
• Pada radar, sonar dan geologi digunakan untuk
menentukan posisi obyek yang terdeteksi
• Misalkan x(n) adalah sinyal berupa gelombang yang
ditransmisikan yang dapat dipandang sebagai sinyal
acuan dan y (n) adalah sinyal yang diterima yang
merupakan pantulan (echo) dari suatu target
• Sinyal pantulan ini terdiri dari sinyal transmisi yang
teratenuasi setelah melewati jarak tertentu
(pergeseran waktu) dan sinyal gangguan (derau) :

y(n )  ax (n  D)  w (n )
TERIMA KASIH