APLIKOM 2. PERTEMUAN 7
RABU. 05 04 2017
Tempat mengambil file
\\ADMIN-PC\Users\ Public\omar\
S1 PS-Aplikom 2\pertemuan 7
Analisis Korelasi
Analisis regresi selain mengukur kekuatan hubungan
antara dua variable atau lebih, juga menunjukkan arah
hubungan antara variable dependen dengan variable
independen. Variable dependen diasumsikan
random/stokastik., yang berarti mempunyai distribusi
probabilistik. Variable independen/ bebas
diasumsikan memiliki nilai tetap(dalam pengambilan
sample yang berulang)
KORELASI (CORRELATION)
7
Analisis korelasi bertujuan untuk mengukur kekuatan asosiasi
(hubungan)linear antara dua variable. Korelasi tidak menunjukkan
hubungan fungsional atau dengan kata lain analisis korelasi tidak
membedakan antara variable dependen dengan variable independen.
Jenis:
1. Korelasi Spearman
2. Pearson Product Moment
Asumsi
Asumsi dasar korelasi diantaranya seperti tertera di bawah ini:
Kedua variabel bersifat independen satu dengan lainnya, artinya
masing-masing variabel berdiri sendiri dan tidak tergantung satu
dengan lainnya. Tidak ada istilah variabel bebas dan variabel
tergantung. Jika digunakan istilah varaibel X dan Y itu hanya untuk
mempermudah dalam penghitungan melalui rumus yang ada.
Data untuk kedua variabel berdistribusi normal. Data yang mempunyai
distribusi normal artinya data yang distribusinya simetris sempurna.
Koefesien Korelasi:
8
Koefesien korelasi ialah pengukuran statistik kovarian atau asosiasi antara dua
variabel. Besarnya koefesien korelasi berkisar antara +1 s/d -1. Koefesien korelasi
menunjukkan kekuatan (strength) hubungan linear dan arah hubungan dua
variabel acak. Jika koefesien korelasi positif, maka kedua variabel mempunyai
hubungan searah. Artinya jika nilai variabel X tinggi, maka nilai variabel Y akan
tinggi pula. Sebaliknya, jika koefesien korelasi negatif, maka kedua variabel
mempunyai hubungan terbalik. Artinya jika nilai variabel X tinggi, maka nilai
variabel Y akan menjadi rendah (dan sebaliknya). Untuk memudahkan melakukan
interpretasi mengenai kekuatan hubungan antara dua variabel penulis memberikan
kriteria sebagai berikut:
0 : Tidak ada korelasi antara dua variabel
>0 – 0,25: Korelasi sangat lemah
>0,25 – 0,5: Korelasi cukup
>0,5 – 0,75: Korelasi kuat
>0,75 – 0,99: Korelasi sangat kuat
1: Korelasi sempurna
Uji Bivariate
Keterangan :
Pada tabel metrik
correlations. Nilai
koefisien korelasi
antara umur(AGE)
dengan gaji(INCOME)
tinggi(0.252)
T hitung > T tabel sehingga H0 ditolak. Jadi ada hubungan antara kedua
variable
Sig (2 tailed) 0.000 < α (0.05) sehingga H0 ditolak. Jadi ada hubungan antara
dua variable tersebut.
2. Uji Kendal dan Spearman
2. Masukkan variable
Kinerja dan race
kedalam kotak
variable
3. Lalu pilih kendall dan
spearman
4. Klick ok
penjelasan
Diperkenalkan oleh carl freidrich gauss, metode mengestimasi suatu garis regresi dengan
jalan meminimalkan jumlah dari kuadrat kesalahan setiap observasi terhadap garis
tersebut.
Memiliki rumus :
Yi = b + b2Xi +ui
Dimana :
Model regresi harus linier
Tidak terjadi otokorelasi
Tidak terjadi multikolinieritas (regresi berganda)
Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)
Data harus berdistribusi normal
Data berskala interval atau rasio
Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas
(disebut juga sebagai variabel predictor) sedang variabel lainnya variabel tergantung
(disebut juga sebagai variabel response)
Rangkuman:Kharakteristik Regresi Sederhana:
1. Apabila : H0 : b1 = b2 …… = bk = 0
Artinya, apakah semua variable independen bukan merupakan
penjelas yang signifikan terhadap variable dependen.
2. Apabila : HA : b1 ≠ b2 ≠ …..= bk ≠ 0
Artinya. Semua variable independen secara simultan merupakan
penjelas yang siginfikan terhadap variable dependen.
Cara menguji :
Dari tampilan hasil, bisa dilihat ajusted R square 0.138, hali ini
berarti 13,8% variasi income dapat dijelaskan oleh variasi dari
variable independen SAVING sedangkan sisanya (100%-13.8 %=
86.2 % ) dijelaskan oleh sebab sebab yang lain diluar model
Standar error(SEE) sebesar 5.184 ribu dolar. Makin kecil nilai SEE
akan membuat model regresi semakin tepat dalam memprediksi
variable dependen.
Kolom durbin watson bernilai 2.303 berarti tidak terjadi
autokorelasi
Uji signifikansi simultan(uji statistik F)
Dari tampilan hasil, bisa dilihat ajusted R square 0.807, hali ini
berarti 80,7% variasi income dapat dijelaskan oleh variasi dari ke
empat variable independen SIZE, EARNS, WEALTH dan SAVING
sedangkan sisanya (100%-80.7 %= 19.3 % ) dijelaskan oleh sebab
sebab yang lain diluar model
Standar error(SEE) sebesar 2.456 ribu dolar. Makin kecil nilai SEE
akan membuat model regresi semakin tepat dalam memprediksi
variable dependen.
Kolom durbin watson bernilai 2.061 berarti tidak terjadi autokorelasi
Uji signifikansi simultan(uji statistik F)
Sekian
Terimakasih
MID TEST
Materi :
1. Analisis deskripsi, dan frequensi
2. Uji validasi, dan uji reliabilitas
3. Analisis regresi