A.
ANALISIS REGRESI
1.
PENGERTIAN
Analisis regresi
dalam statistika adalah salah satu metode untuk menentukan hubungan
sebab-akibat antara satu variabel dengan variabel(-variabel) yang
lain. Variabel “penyebab” disebut dengan bermacam-macam istilah:
variabel penjelas, variabel eksplanatorik, variabel independen, atau
secara bebas, variabel X (karena seringkali digambarkan dalam grafik
sebagai absis, atau sumbu X). Variabel terkena akibat dikenal sebagai
variabel yang dipengaruhi, variabel dependen, variabel terikat, atau
variabel Y. Kedua variabel ini dapat merupakan variabel acak
(random), namun variabel yang dipengaruhi harus selalu variabel acak.
Analisis regresi adalah salah satu analisis yang paling populer dan
luas pemakaiannya. Hampir semua bidang ilmu yang memerlukan analisis
sebab-akibat boleh dipastikan mengenal analisis ini.
2. KEGUNAAN
Tujuan
menggunakan analisis regresi ialah:
-Membuat
estimasi rata-rata dan nilai variabel tergantung dengan didasarkan
pada nilai variabel bebas.
-Menguji
hipotesis karakteristik dependensi
-Untuk
meramalkan nilai rata-rata variabel bebas dengan didasarkan pada
nilai variabel bebas diluar jangkaun sample.
3.
ANALISIS REGRESI
3.1
Analisis Regresi Berganda
Regresi berganda
seringkali digunakan untuk mengatasi permasalahan analisis regresi
yang melibatkan hubungan dari dua atau lebih variabel bebas. Pada
awalnya regresi berganda dikembangkan oleh ahli ekonometri untuk
membantu meramalkan akibat dari aktivitas-aktivitas ekonomi pada
berbagai segmen ekonomi. Misalnya laporan tentang peramalan masa
depan perekonomian di jurnal-jurnal ekonomi (Business Week, Wal
Street Journal, dll), yang didasarkan pada model-model ekonometrik
dengan analisis berganda sebagai alatnya. Persamaan regresi linear
berganda sebagai berikut:
Y’ = a+b1X1+b2X2+….+ bnXn
Keterangan:
Y’ : variabel dependen (nilai yag diprediksikan)
X1
dan X2 : variabel independen
a
: konstanta
b
: koefisien regresi(nilai peningkatan/penurunan)
contoh
kasus:
Seorang
peneliti ingin mengetahui pengaruh dari tinggi badan terhadap berat
badan. Untuk kebutuhan penelitian tersebut diambil sampel secara acak
sebanyak 10 orang untuk diteliti. Hasil pengumpulan data diketahui
data sebagai berikut :
Berdasarkan
data tersebut di atas :
Hitunglah nilai a dan b untuk persamaan regersi linier sederhana. Jika hipotesis penelitian menyatakan bahwa “tinggi badan seseorang berpengaruh terhadap berat badan seseorang”, ujilah hipotesis tersebut dengan menggunakan Uji T dan Uji F (tingkat keyakinan sebesar 95%). Hitunglah nilai r dan koefisien determinasi. Bagaimana kesimpulannya !
Jawab :
Hipotesis penelitian : Tinggi Badan berpengaruh terhadap Berat Badan Seseorang (karena hanya dikatakan berpengaruh maka menggunakan uji dua arah).
Jika Y : Berat Badan Seseorang dan X : Tinggi Badan Seseorang, maka untuk mendapatkan nilai a dan b untuk persamaan regersi linier sederhana :
Berdasarkan
hasil pengolahan data tersebut di atas maka dapat dibuat persamaan
regresi linier sederhana : Y = – 73,72041 + 0,819657 X
Untuk
menguji hipotesis secara parsial digunakan Uji T, yaitu :
Hipotesis Statistik adalah Ho : b = 0 dan Ha : b ≠ 0 (disebut uji dua arah)
Nilai
T hitung adalah : b/Sb = 0,819657/0,05525673 = 14,833613932638 =
14,834
Nilai
T tabel dengan df : 10 – 2 = 8 dan ½ α = 2,5% (uji dua arah)
sebesar ± 2,306
Karena nilai T hitung lebih besar dari pada T tabel atau 14,834 > 2,306 maka Ho ditolak, Ha diterima dan hipotesis penelitian yang menyatakan bahwa Tinggi Badan berpengaruh terhadap Berat Badan Seseorang adalah dapat diterima (dapat dikatakan signifikan secara statistik).
Sedangkan untuk menguji secara serempak digunakan Uji F, yaitu diperoleh F hitung = 31.874,98 dan Untuk nilai F tabel dengan df : k – 1 ; n – k = 1 ; 8 dan α : 5% sebesar 5,32. Karena nilai F hitung lebih besar dari F tabel atau 31.874,98 > 5,32 maka Ho ditolak, Ha diterima dan hipotesis penelitian yang menyatakan bahwa Tinggi Badan berpengaruh terhadap Berat Badan Seseorang adalah dapat diterima.
3.2 Analisis Regresi Sederhana
Regresi Linier Sederhana Regresi linier sederhana bertujuan mempelajari hubungan linier antara dua variabel. Dua variabel ini dibedakan menjadi variabel bebas (X) dan variabel tak bebas (Y). Variabel bebas adalah variabel yang bisa dikontrol sedangkan variabel tak bebas adalah variabel yang mencerminkan respon dari variabel bebas.
Statistik regresi dapat didapatkan dengan berbagai cara, diantaranya ialah dengan menggunakan metode tangan bebas dan metode kuadrat terkecil. Dengan menggunakan metode kuadrat terkecil maka nilai a dan b dapat langsung dicari menggunakan rumus di bawah ini:
Contoh:Diketahui
peubah nilai skor tes masuk (X) dengan nilai ekonomi (Y) sebagai
berikut:
Mahasiswa Skor tes (X) Nilai ekonomi (Y)
1
65 65
2
50 74
3
55 76
4
65 90
5
55 85
6
70 87
7
65 94
8
70 98
9
55 81
10
70 91
11
50 76
12
55 74
Berdasarkan
data diatas tentukan hubungan matematis antara skor tes masuk dengan
nilai ekonomi.
Jawaban:
Sehingga
persamaan regresinya ialah:
Y=
30,056 + 0,897 X
B.
ANALISIS KORELASI
1. PENGERTIAN KORELASI
Korelasi merupakan
teknik analisis yang termasuk dalam salah satu teknik pengukuran
asosiasi / hubungan (measures of association). Pengukuran asosiasi
merupakan istilah umum yang mengacu pada sekelompok teknik dalam
statistik bivariat yang digunakan untuk mengukur kekuatan hubungan
antara dua variabel. Diantara sekian banyak teknik-teknik pengukuran
asosiasi, terdapat dua teknik korelasi yang sangat populer sampai
sekarang, yaitu Korelasi Pearson Product Moment dan Korelasi Rank
Spearman. Selain kedua teknik tersebut, terdapat pula teknik-teknik
korelasi lain, seperti Kendal, Chi-Square, Phi Coefficient,
Goodman-Kruskal, Somer, dan Wilson.
Pengukuran asosiasi
mengenakan nilai numerik untuk mengetahui tingkatan asosiasi atau
kekuatan hubungan antara variabel. Dua variabel dikatakan berasosiasi
jika perilaku variabel yang satu mempengaruhi variabel yang lain.
Jika tidak terjadi pengaruh, maka kedua variabel tersebut disebut
independen.
Korelasi bermanfaat
untuk mengukur kekuatan hubungan antara dua variabel (kadang lebih
dari dua variabel) dengan skala-skala tertentu, misalnya Pearson data
harus berskala interval atau rasio; Spearman dan Kendal menggunakan
skala ordinal; Chi Square menggunakan data nominal. Kuat lemah
hubungan diukur diantara jarak (range) 0 sampai dengan 1. Korelasi
mempunyai kemungkinan pengujian hipotesis dua arah (two tailed).
Korelasi searah jika nilai koefesien korelasi diketemukan positif;
sebaliknya jika nilai koefesien korelasi negatif, korelasi disebut
tidak searah. Yang dimaksud dengan koefesien korelasi ialah suatu
pengukuran statistik kovariasi atau asosiasi antara dua variabel.
Jika koefesien korelasi diketemukan tidak sama dengan nol (0), maka
terdapat ketergantungan antara dua variabel tersebut. Jika koefesien
korelasi diketemukan +1. maka hubungan tersebut disebut sebagai
korelasi sempurna atau hubungan linear sempurna dengan kemiringan
(slope) positif.
Jika koefesien
korelasi diketemukan -1. maka hubungan tersebut disebut sebagai
korelasi sempurna atau hubungan linear sempurna dengan kemiringan
(slope) negatif. Dalam korelasi sempurna tidak diperlukan lagi
pengujian hipotesis, karena kedua variabel mempunyai hubungan linear
yang sempurna. Artinya variabel X mempengaruhi variabel Y secara
sempurna. Jika korelasi sama dengan nol (0), maka tidak terdapat
hubungan antara kedua variabel tersebut. Dalam korelasi sebenarnya
tidak dikenal istilah variabel bebas dan variabel tergantung.
Biasanya dalam penghitungan digunakan simbol X untuk variabel pertama
dan Y untuk variabel kedua. Dalam contoh hubungan antara variabel
remunerasi dengan kepuasan kerja, maka variabel remunerasi merupakan
variabel X dan kepuasan kerja merupakan variabel Y.
2. KEGUNAAN
Pengukuran asosiasi
berguna untuk mengukur kekuatan (strength) hubungan antar dua
variabel atau lebih. Contoh: mengukur hubungan antara variabel:
-Motivasi
kerja dengan produktivitas
-Kualitas
layanan dengan kepuasan pelanggan
-Tingkat
inflasi dengan IHSG
Pengukuran ini
hubungan antara dua variabel untuk masing-masing kasus akan
menghasilkan keputusan, diantaranya:
-Hubungan
kedua variabel tidak ada
-Hubungan
kedua variabel lemah
-Hubungan
kedua variabel cukup kuat
-Hubungan
kedua variabel kuat
-Hubungan
kedua variabel sangat kuat
Penentuan tersebut
didasarkan pada kriteria yang menyebutkan jika hubungan mendekati 1,
maka hubungan semakin kuat; sebaliknya jika hubungan mendekati 0,
maka hubungan semakin lemah.
3. ANALISIS KORELASI
3.1
Analisis Korelasi Parsial
Analisis korelasi
parsial (Partial Correlation) digunakan untuk mengetahui hubungan
antara dua variabel dimana variabel lainnya yang dianggap berpengaruh
dikendalikan atau dibuat tetap (sebagai variabel kontrol). Nilai
korelasi (r) berkisar antar 1 sampai -1, nilai semakin mendekati 1
atau -1 berarti hubungan antara dua variabel semakin kuat, dan
sebaliknya. Nilai positif menunjukkan hubungan searah (X naik maka Y
naik) dan nilai negatif menunjukkan hubungan terbalik (X naik maka Y
turun). Data yang digunakan biasanya berskala interval atau rasio.
Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi
koefisien korelasi sebagai berikut:
0,00 – 0,199 = sangat rendah
0,20
– 0,399 = rendah
0,40
– 0,599 = sedang
0,60
– 0,799 = kuat
0,80
– 1,000 = sangat kuat
Contoh
kasus:
Kita mengambil
contoh pada kasus korelasi sederhana di atas dengan menambahkan satu
variabel kontrol. Seorang mahasiswa bernama Andi melakukan penelitian
dengan menggunakan alat ukur skala. Andi ingin meneliti tentang
hubungan antara kecerdasan dengan prestasi belajar jika terdapat
faktor tingkat stress pada siswa yang diduga mempengaruhi akan
dikendalikan. Dengan ini Andi membuat 2 variabel yaitu kecerdasan dan
prestasi belajar dan 1 variabel kontrol yaitu tingkat stress.
Tiap-tiap variabel dibuat beberapa butir pertanyaan dengan
menggunakan skala Likert, yaitu angka 1=sangat tidak setuju, 2=tidak
setuju, 3=setuju, dan 4=sangat setuju. Setelah membagikan skala
kepada 12 responden didapatlah skor total item-item yaitu sebagai
berikut:
Tabel Tabulasi Data (data fiktif)
Subjek
Kecerdasan Prestasi Belajar Tingkat Stress
1 33 58 25
2
32 52 28
3
21 48 32
4
34 49 27
5
34 52 27
6
35 57 25
7
32 55 30
8
21 50 31
9
21 48 34
10
35 54 28
11
36 56 24
12
21 47 29
3.2
Analisis Korelasi Product Moment
Digunakan untuk
menentukan besarnya koefisien korelasi jika data yang digunakan
berskala interval atau rasio. Rumus yang digunakan:
Contoh
kasus:
Seorang
mahasiswa melakukan survei untuk meneliti apakah ada korelasi antara
pendapatan mingguan dan besarnya tabungan mingguan di P’Qerto.
Untuk menjawab permasalahan tersebut diambil sampel sebanyak 10 kepala keluarga.
Cara melakukan perhitungan manual uji korelasi di atas adalah sebagai berikut:
Asumsi
uji korelasi
Sebelum
diimplementasi, uji korelasi harus memenuhi serangkaian asumsi,
yaitu:
1.
Normalitas, artinya sebaran variabel-variabel yang hendak
dikorelasikan harus berdistribusi normal.
2.
Linieritas, artinya hubungan antara dua variabel harus linier,
misalnya ditunjukkan lewat straight-line.
3.
Ordinal, artinya variabel harus diukur dengan minimal skala ordinal.
4.
Homoskedastisitas, artinya variabilitas skor di variabel Y harus
tetap konstan di semua nilai variabel X.
Kriteria Penerimaan Hipotesis
H0
: tidak terdapat korelasi positif antara tabungan dengan pendapatan
Ha
: terdapat korelasi positif antara tabungan dengan pendapatan
H0
diterima jika r hitung ≤ r tabel ( , n-2) atau t hitung ≤ ttabel
( , n-2)
Ha
diterima jika r hitung > r tabel ( , n-2) atau t hitung >
ttabel ( , n-2)
Sampel:
10 kepala keluarga
Data
yang dikumpulkan:
Tabungan
2 4 6 6 8 8 9 8 9 10
pendapatan
10 20 50 55 60 65 75 70 81 85
Analisis data:
N Xi Yi Xi^2 Yi^2 XY
1
2 10 4 100 20
2
4 20 16 400 80
3
6 50 36 2500 300
4
6 55 36 3025 330
5
8 60 64 3600 480
6
8 65 64 4225 520
7
9 75 81 5625 675
8
8 70 64 4900 560
9
9 81 81 6561 729
10
10 85 100 7225 850
jumlah
70 571 546 38161 4544
Pengujian hipotesis:
Dengan
kriteria r hitung: r hitung (0,981) > r tabel (0,707)
Dengan
kriteria t hitung:
t
hitung (14,233) > t tabel (1,86)
kesimpulan:karena r hitung > dari r tabel maka Ha diterima, karena t hitung > t tabel maka Ha diterima
“terdapat korelasi positif antara pendapatan dengan tabungan mingguan di P’Qerto”
Pemikiran
utama korelasi product momen adalah seperti ini:
1.
Jika kenaikan kuantitas dari suatu variabel diikuti dengan kenaikan
kuantitas dari variabel lain, maka dapat kita katakan kedua variabel
ini memiliki korelasi yang positif. Jika kenaikan kuantitas dari
suatu variabel sama besar atau mendekati besarnya kenaikan kuantitas
dari suatu variabel lain dalam satuan SD, maka korelasi kedua
variabel akan mendekati.
2.
Jika kenaikan kuantitas dari suatu variabel diikuti dengan penurunan
kuantitas dari variabel lain,maka dapat kita katakan kedua variabel
ini memiliki korelasi yang negatif. Jika kenaikan kuantitas dari
suatu variabel sama besar atau mendekati besarnya penurunan kuantitas
dari variabel lain dalam satuan SD,maka korelasi kedua variabel akan
mendekati -1.
3.
Jika kenaikan kuantitas dari suatu variabel diikuti oleh kenaikan dan
penurunan kuantitas secara random dari variabel lain atau jika
kenaikan suatu variabel tidak diikuti oleh kenaikan atau penurunan
kuantitas variabel lain (nilai dari variabel lain stabil), maka dapat
dikatakan kedua variabel itu tidak berkorelasi atau memiliki korelasi
yang mendekati nol.
Dari pemikiran ini
kemudian lahirlah Rumus Korelasi Product Momen Pearson seperti yang
sering kita lihat di buku. Ada beberapa rumus yang dapat diacu.
Semuanya akan memberikan hasil r yang sama, hanya saja dengan
melihatnya kita akan dapat melihat pemaknaan yang berbeda-beda.
Ada
beberapa hal yang dapat kita pelajari dari rumus ini :
Rumus pertama :
Jika setiap subjek
yang memiliki nilai X lebih rendah dari meannya, memiliki nilai Y
yang juga lebih rendah dari meannya, nilai r akan menjadi positif.
Begitu juga jika setiap subjek yang memiliki nilai X lebih tinggi
dari meannya, memiliki nilai Y yang lebih tinggi dari meannya. Jika
setiap subjek yang memiliki nilai X yang lebih tinggi dari meannya,
memiliki nilai Y yang lebih rendah dari meannya maka nilai r akan
menjadi negatif. Begitu juga jika tiap subjek yang memiliki nilai X
lebih rendah dari meannya memiliki nilai Y yang lebih tinggi dari
meannya. Jika tiap nilai X yang lebih tinggi dari meannya terkadang
diikuti oleh nilai Y yang lebih tinggi terkadang lebih rendah dari
meannya maka nilai r akan cenderung mendekati 0 (nol).
Rumus kedua:
Dari rumus kedua ini
dapat kita simpulkan bahwa nilai korelasi sebenarnya nilai kovarian
dari dua variabel x dan y yang distandardkan dengan menggunakan
standard deviasi x dan standard deviasi y sebagai denominatornya.
Nilai kovarian sangat dipengaruhi oleh satuan skala yang digunakan
oleh kedua variabel. Misalnya kita menghitung kovarian dari tinggi
badan dengan panjang rambut , pengen tahu apakah tinggi badan
berkorelasi dengan panjang rambut. Kita menghitung tinggi badan dan
panjang rambut dalam satuan meter. Kemudian kita hitung kovariannya.
Setelah itu kita menggunakan data yang sama, hanya mengubah satuannya
menjadi centimeter, lalu menghitung kovariannya. Nah kovarian dari
hasil perhitungan kedua akan terlihat lebih besar daripada yang
pertama. Lebih besar? Ya karena dengan menggunakan satuan centimeter,
1.4 meter akan menjadi 140 centimeter. Jika kita hitung kovariannya,
perhitungan pertama akan menghitung dalam skala satuan (1.4, 1.5,
dst) sementara perhitungan kedua akan menghitung dalam skala ratusan.
Oleh karena itu perlu distandardkan agar data yang sama akan
menghasilkan angka yang sama meskipun diubah skalanya.
Rumus ketiga:
Zx dan Zy itu
berbicara mengenai nilai X dan Y dalam satuan SD. Jika nilai X ada di
bawah mean dari X maka nilai Zx akan negatif, jika nilai X ada di
atas meannya maka nilai Zx akan positif. Begitu juga dengan Y.
Seperti pada rumus pertama, jika Zx dan Zy sepakat (keduanya positif
atau negatif) maka nilai r akan positif. Jika Zx dan Zy berlawanan
(jika yang satu positif yang lain negatif) maka nilai r akan negatif.
Nah misalnya ada seratus subjek memiliki nilai X dan Y. Lalu kita
hitung satu-satu nilai Z dari X dan Y untuk tiap subjek. Tentu saja
ada beberapa yang sangat sepakat yang lain agak sepakat yang beberapa
berlawanan. Kemudian nilai-nilai Z ini dijumlahkan sehingga jika yang
sepakat lebih banyak akan menghasilkan angka positif. Kalo yang
berlawanan lebih banyak akan menghasilkan angka negatif. Kemudian
hasil penjumlahan ini dicari rata-ratanya. Jadi bisa dibilang nilai r
itu akan menggambarkan rata-rata keadaan X dan Y dari semua subjek
dalam kelompok.
SUMBER
:
http://fariidaelf.wordpress.com/materi-kuliah/regresi-
korelasi/