ANALISIS VARIANS

DAN UJI
SIGNIFIKASI F DAN
ANALISIS KOLERASI
DAN ANALISIS
REGRESI
 H K E LO MPOK 6
OLE
AY U SOWAKIL
1. IFTI
A BUGIS
2. SISK SE
I SM A N WAEME
3. R
 1. PENGERTIAN ANALISIS VARIANS

• Analisis varians (analysis of variance, ANOVA) adalah suatu metode analisis statistika yang
termasuk ke dalam cabang statistika inferensi. Dalam literatur Indonesia metode ini dikenal dengan
berbagai nama lain, seperti analisis ragam, sidik ragam, dan analisis variansi. Ia merupakan
pengembangan dari masalah Behrens-Fisher, sehingga uji-F juga dipakai dalam pengambilan
keputusan. Analisis varians pertama kali diperkenalkan oleh Sir Ronald Fisher, bapak statistika
modern. Dalam praktik, analisis varians dapat merupakan uji hipotesis (lebih sering dipakai)
maupun pendugaan (estimation, khususnya di bidang genetika terapan).
• Secara umum, analisis varians menguji dua varians (atau ragam) berdasarkan hipotesis nol bahwa
kedua varians itu sama. Varians pertama adalah varians antarcontoh (among samples) dan varians
kedua adalah varians di dalam masing-masing contoh (within samples). Dengan ide semacam ini,
analisis varians dengan dua contoh akan memberikan hasil yang sama dengan uji-t untuk dua rerata
(mean).
Fungsi dari ANOVA adalah untuk menguji apakah terdapat perbedaan signifikan antara rata-
rata beberapa kelompok (lebih dari dua), melalui ukuran penyebaran (variansi) dari masing-
masing kelompok populasi tersebut.
Analisis Variansi didasarkan atas beberapa anggapan mengenai sifat data sebagai berikut:
● Populasi-populasi yang akan diuji berdistribusi normal
● Variansi dari populasi-populasi tersebut adalah sama
● Sampel tidak berhubungan satu dengan yang lainnya (saling bebas)

Hipotesis yang digunakan dalam metode ini adalah sebagai berikut, dari k populasi:
● H0: μ 1 = μ 2 = . . . = μ k
● H1: paling sedikit dua diantara rataan tersebut tidak sama
 2. UJI SIGNIFIKAN F

Uji F dapat dilakukan dengan membandingkan F hitung dengan Tabel F: F Tabel dalam Excel, jika
F hitung > dari F tabel, (Ho di tolak Ha diterima) maka model signifikan atau bisa dilihat dalam
kolom signifikansi pada Anova (Olahan dengan SPSS, Gunakan Uji Regresi dengan Metode
Enter/Full Model). Model signifikan selama kolom signifikansi (%) < Alpha (kesiapan berbuat salah
tipe 1, yang menentukan peneliti sendiri, ilmu sosial biasanya paling besar alpha 10%, atau 5%
atau 1%). Dan sebaliknya jika F hitung < F tabel, maka model tidak signifikan, hal ini juga ditandai
nilai kolom signifikansi (%) akan lebih besar dari alpha.

3. ANALISIS KORELASI

Analisis korelasi adalah metode evaluasi statistik yang dipergunakan untuk mempelajari kekuatan
hubungan antara dua variabel kontinu yang diukur secara numerik. Misalnya tinggi dan berat, oleh
karena itulah jenis analisis khusus ini berguna ketika seorang peneliti ingin menetapkan apakah
ada kemungkinan hubungan antar variabel penelitian.
Adapun penjelasan terkait dengan bentuk analisis korelasi beserta dengan contohnya dalam penelitian.
Antara lain;

• Korelasi Pearson
Korelasi Pearson r adalah statistik korelasi yang paling banyak digunakan untuk mengukur tingkat hubungan
antara variabel yang berhubungan secara linier.

Sebagai contoh, di pasar saham, jika kita ingin mengukur bagaimana dua saham saling terkait, digunakan
korelasi Pearson r untuk mengukur derajat hubungan antara keduanya. Korelasi Point-Biserial dilakukan
dengan rumus korelasi Pearson kecuali salah satu variabelnya dikotomis.

• Korelasi peringkat Kendall

 Korelasi peringkat Kendall adalah uji non-parametrik yang mengukur kekuatan ketergantungan antara dua
variabel. Jika kita mempertimbangkan dua sampel, a dan b, di mana setiap ukuran sampel adalah n, kita tahu
bahwa jumlah pasangan dengan a b adalah n (n-1) / 2.

Berikut rumus yang digunakan untuk menghitung nilai korelasi rank kendall
nc = jumlah konkordan
nd = jumlah diskordan

• Korelasi Spearman

Korelasi spearman adalah tes non-parametrik yang digunakan untuk mengukur tingkat
hubungan antara dua variabel. Uji korelasi peringkat Spearman tidak membawa asumsi apa pun
tentang distribusi data dan merupakan analisis korelasi yang sesuai ketika variabel diukur pada
skala yang setidaknya ordinal.

Ditinjau dari kemungkinan hasil studi, setidaknya ada tiga jenis korelasi yang dihasilkan, yaitu:

1. Korelasi Positif

Korelasi positif adalah hubungan antara dua variabel di mana kedua variabel bergerak searah.
Oleh karena itu, ketika satu variabel meningkat seiring dengan peningkatan variabel lainnya,
atau satu variabel menurun sedangkan variabel lainnya menurun. Contoh korelasi positif adalah
tinggi dan berat badan. Orang yang lebih tinggi cenderung lebih berat.
Korelasi positif berkisar dari 0 hingga +1; batas atas yaitu +1 adalah koefisien korelasi positif
sempurna. Korelasi positif sempurna menentukan bahwa, untuk setiap peningkatan unit dalam satu
variabel, ada peningkatan proporsional di variabel lainnya.

2. Korelasi Negatif
1. Korelasi negatif adalah hubungan antara dua variabel di mana kenaikan satu variabel dikaitkan
dengan penurunan variabel lainnya. Contoh korelasi negatif adalah ketinggian di atas permukaan
laut dan suhu. Saat kita mendaki gunung (bertambahnya ketinggian), semakin dingin (penurunan
suhu).
2. Korelasi negatif berkisar dari 0 hingga – 1; batas bawah memberikan korelasi negatif yang
sempurna. Korelasi negatif sempurna menunjukkan bahwa untuk setiap kenaikan satuan di satu
variabel, ada penurunan satuan proporsional di variabel lainnya.
3. Korelasi Nol

Korelasi nol ada jika tidak ada hubungan antara dua variabel. Misalnya tidak ada hubungan
antara jumlah minum teh dan tingkat kecerdasan. Contoh lainnya misalnya tidak ada korelasi
antara berat badan dan kecerdasan, ukuran sepatu dan gaji bulanan. Korelasi nol adalah titik
tengah rentang – 1 hingga +1.

4. ANALISIS REGRESI

Analisis regresi adalah metode untuk menentukan hubungan suatu variabel dengan yang lainnya
untuk melihat seberapa besar pengaruhnya.

Regresi merupakan rumus yang bisa digunakan untuk menganalisis data dari yang sederhana,
sampai yang jumlahnya begitu banyak atau kompleks.
• Tidak mengherankan jika rumus regresi pun terbagi dua, yaitu linier sederhana dan regresi berganda.
Regresi linier sederhana digunakan untuk satu variabel bebas dan satu variabel yang dependent atau
terikat.. Sedangkan, regresi berganda variabel yang dimilikinya bisa lebih dari satu.

Fungsi Analisis Regresi

1. Memperbaiki kesalahan

Salah satu fungsi regresi, yaitu bisa memperbaiki kesalahan. Kesalahan ini dapat berhubungan
dengan keputusan yang diambil untuk bisnis. Sebelum diaktualisasikan, keputusan itu dapat dihitung
dulu untuk mengetahui hasilnya. Apabila hasilnya keliru, maka bisa diperbaiki.

Misalnya, pemilik bisnis memutuskan ingin menambah jam toko untuk meningkatkan penjualan.
Ternyata ketika dihitung menggunakan regresi, budget yang pemilik bisnis keluarkan terlalu over,
sehingga berpotensi merugikan. Pemilik bisnis pun bisa mengubah keputusannya.
2. Memperkirakan masa depan

Fungsi kedua dari regresi, yaitu bisa memperkirakan masa depan yang berhubungan dengan peluang.
Rumus ini juga sering digunakan untuk mencoba apakah peluang yang ada tepat diambil atau tidak.

Salah satu contohnya adalah perusahaan asuransi yang menghitung dana klaim yang dilakukan oleh
pasien melihat dari kasusnya.

3. Meningkatkan efisiensi

Rumus regresi juga dapat digunakan supaya operasional bisnis lebih efisien dan menghasilkan output
yang diinginkan.

4. Memberikan insight baru

Fungsi selanjutnya dari regresi, yaitu dapat memberikan pengetahuan terbaru untuk Anda. Misalnya,
Anda ingin mengetahui stok produk yang harus disediakan ketika sedang masuk musim ramai pembeli
yang belanja di waktu tertentu.
Rumus Regresi

Analisis regresi mempunyai 2 rumus yang bisa Anda andalkan.

1. Rumus Model Regresi Linier

Dapat dikenal juga sebagai regresi sederhana. Rumus regresi ini digunakan untuk mengetahui hubungan
antara satu variabel bebas dan variabel terikat yang jumlahnya satu juga.

Y = a +bX + €

ket :

Y merupakan variabel terikat.

X merupakan variabel bebas.
a merupakan konstanta.
b merupakan koefisien regresi.
€ merupakan eror.
2. Rumus Regresi Berganda

Atau kita kenal juga dengan sebutan regresi linier majemuk. Rumus ini lebih rumit jika dibandingkan
regresi sederhana karena variabel yang bebasnya ada lebih dari 1. Ini rumus persamaan regresi berganda.

Y = a +bX1 + cX2 + dX3 + €

Ket :

Y merupakan variabel terikat.

X1, cX2, X3 adalah variabel bebas.
a merupakan konstanta.
b, c, d adalah koefisien regresi.
€ merupakan erorr.
Analisis Regresi Linier yang Ideal

Regresi linier memiliki bentuk yang ideal, apabila memenuhi asumsi berikut ini.

1. Eksogenitas lemah

Regresi adalah perhitungan yang bisa mendatangkan beberapa kemungkinan, untuk itulah ada
perhitungan yang namanya error karena akan menjadi perhitungan yang salah. Sehingga, penguji bisa
menemukan perhitungan yang benar dan cocok untuk diterapkan.

Hal ini terjadi karena variabel x yang bersifat tetap, sedangkan variabel y yang sifatnya berubah,
sehingga menyebabkan munculnya berbagai kemungkinan yang dapat dipilih. Kemungkinan itu bisa jadi
benar dan salah.
Thank You 
2. Bersifat linier

Maksudnya adalah ketika nilai variabel x itu naik, maka seharusnya variabel y pun akan ikut naik.
Apabila syarat ini tidak dapat dilakukan, maka Anda dapat melakukan perubahan data atau
menggunakan perhitungan hubungan nonlinear yang di dalamnya termasuk model kuadratik.

3. Perhitungan error yang konstan

Di sini asumsi dari regresi adalah perhitungan yang error yang tetap, walaupun hasil atau response
berbeda.