P. 1
Regresi Dan Korelasi. At

Regresi Dan Korelasi. At

|Views: 111|Likes:

More info:

Published by: Chairah Fosforisensi Shaddeeb on Apr 24, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

04/24/2011

pdf

text

original

REGRESI DAN KORELASI

A. REGRESILINIER

Persamaan regresi adalah persamaan matematik yang dapat digunakan untuk meramalkan nilai-nilai suatu variabel tak bebas dari nilai-nilai satu atau lebih variabel bebas. Istilah regresi berasal dari telaah kebakaan yang dilakukan oleh Sir Francis Galton (1822 - 1911 ). Sir Francis Galton membandingkan tinggi badan anak laki-laki dengan tinggi badan ayahnya; dari hasil pengamatannya Galton menunjukkan bahwa tinggi badan anak laki-laki dari ayah yang tinggi setelah beberapa generasi cenderung mundur (regressed), mendekati nilai tengah populasi. Sekarang istilah regresi diterapkan untuk semua jenis peramalan, dan tidak hams berimplikasi suatu regresi mendekati nilai tengah populasi.

Variabel tak bebas yang merupakan fungsi persamaan dari variabel bebas dilambangkan dengan Y, sedangkan variabel bebasnya dilambangkan dengan X, atau dengan X, dan X2 jika variabel bebasnya dua, dan seterusnya. Hubungan variabel bebas dan variabel tak bebas dalam bentuk persamaan bisa mengambil beberapa bentuk, antara lain hubungan tinier, eksponensial dan berganda. Bentuk hubungan ini dapat dilihat dengan membuat diagram pencar dari nilai-nilai variabel tak bebas dengan variabel bebasnya, dimana setiap datanya dinyatakan dalam bentuk koordinat (x.y) , dan selanjutnya dilakukan pengamatan terhadap kumpulan titik yang digambarkan. Jika titik-titik yang terbentuk mengikuti suatu garis lurus, maka variabel x dan y dikatakan saling beIhubungan secara tinier.

101

Hubungan kedua variabel ini digambarkan dalam bentuk garis lurus, yang disebut dengan garis regresi linier, Garis lurus mempunyai persamaan matematik sebagai berikut :

y = a + bx

Konstanta a merupakan intersep atau perpotongan dengan sumbu tegak, dan b adalah kemiringan atau gradien garis. Lambang y digunakan untuk membedakan nilai ramalan yang diperoleh dari persamaan regresinya dengan nilai pengamatan y yang sesungguhnya untuk nilai x tertentu, dan persamaan di atas disebut sebagai persamaan regresi contoh.

Contoh:

Data-data di bawah ini menunjukkan hubungan harga barang dengan jumlah barang yang dibeli konsumen pada tingkat harga tersebut.

[ Juml. bamlg I HlUgaba>ang J
(xJ
(y) '""
10 110
8 98
20 75
16 100
24 80
30 58
36 54
40 40
35 55
25 60
28 55
30 65
35 50
40 30
45 40
40 40 Diagram pencar dari data-data di atas adalah sebagai berikut :

102

y



• •
• ••


• •

0.
8 18 16 20 24 28 30 36 40 45 X
Gambar : Diagram pencar hubungan jwnlah dengan harga barang. 110

100

90

80

70

60

50

40

30

Berdasarkan diagram pencar dan bentuk garis yang paling dekat dapat digunakan untuk menghubungkan titik-titik x dan y, dapat disimpulkan bahwa hubungan jwnlah barang yang dibeli dengan harga barang adalah tinier.

Masalah selanjutnya jika hubungan x dan y telah diketahui tinier adalah bagaimana menentukan konstanta a dan b. Konstanta a dan b akan dihitung dengan menggunakan metode kuadrat terkecil Diantara semua kemungkinan garis lurus yang dapat dibuat pada diagram pencar, metode kuadrat terkecil memilih suatu garis regresi yang membuat jumlah kuadrat jarak vertikal dari titik pengamatan ternadap garis regresi tersebut sekecil mungkin, Jika ei merupakan simpangan vertikal dari titik ke-i ternadap garis regresi, maka nilai pengamatan Yi yang sebenamya adalah :

Yi= a + bx, + ei .. ·· .... ·· .... ·· .. (l)

Semakin kecil galat (e), peramalan y semakin mendekati nilai sebenamya. Selanjutnya tentukan a dan b sehingga jwnlah kuadrat galat JKG (~V minimum.

103

y

Gambar 1 : Penyimpangan garis regresi dari data sebenarnya.

x

(2)

JKG minimum diperoleh jika turunan pertama persamaan (2) terhadap a dan b sama dengan O.

Turunan pertama terhadap a :

-2 L(YCa-bX) = 0 LYi = na + bL~

(3)

Turunan pertama terhadap b :

(4)

Dengan menyelesaikan persamaan (3) dan (4) secara matematika biasa (dua persamaan dengan dua variabel tidak diketahui), nilai a dan b dapat diperoleh dengan menggunakan rumus-rumus berikut :

(5)

a=y-bx

104

Contoh:

Buatlah persamaan regresi linier dari data contoh 1.

Jawab :

Lx = 402

I

LYi = 1010

LX2 =13376

I

Lx.y.21763

I I

Dengan menggunakan rumus (5) dan (6), maka dipero1eh :

a = 90.83862474 b = -1.10302984

Dengan demikian persamaan regresi liniemya adalah :

/I

Y = 91 - 1.1x

B. INFERENSIA MENGENAI KOEFISIEN REGRESI

Persamaan regresi y=a+bx adalah persamaan regresi dugaan berdasarkan data-data contohnya. Persamaan regresi contoh ini diharapkan mendekati persamaan regresi populasinya:

Parameter a dan ~ disebut sebagai koefisien regresi. Sub bab ini akan membahas nilai dugaan bagi a dan ~ berdasarkan nilai a dan b dari persamaan regresi contoh. untuk menurunkan rumus selang kepercayaan bagi a dan ~, lihat kembali persamaan untuk JKG.

Rumus ini ekuivalen dengan rumus :

JKG = (n-1)(s2y- ~S2x)

dimana:

2 nLx2 - (I.X)2 2 nI.y; - (I.yi

S = 1 1 dan S = 1 1

X n(n-1) y n(n-l)

Nilai dugaan tak bias bagi d dengan n-2 derajat bebas diberikan oleh rumus : n-1

S2 = (S2 _b2S2)

atau e y x

n-2

S2 = JKG

e n-2

Jika A dan B merupakan peubah acak dari a dan ~ yang diperoleh melalui pengambilan contoh berukuran n beberapa kali, maka nilai A dan B tergantung pada keragaman nilai y karena x bersifat tetap.

105

Bila diasumsikan Yl. Y2 •...• Yo bebas dan menyebar normal. maka peubah acak A juga menyebar normal dengan nilai tengah :

dan o! = ---- dn(n-1)s;

Dengan menggunakan transfonnasi Z. maka :

A-a

z = ~r========~== o ~ Lx~ / (sx -Vn(n-1»

Jika o tidak diketahui, S, digunakan sebagai pengganti o dan sebaran peubah acaknya menjadi sebaran t (dengan v = n-2) dan rumus :

T=

(A-a)Sx l./n(n-l) s, -v Lx1

Dengan menggunakan rumus ini, selang kepercayaan (I-o) 100 % bagi parameter a dalam garis regresi ~ I x = a + 13 adalah :

a- < a < a+--;=:==

s, V n(n-1) s, V n(n-1)

Parameter a yang diduga adalah intersep garis regresi populasi, sedangkan a dalam twz adalah taraf nyata uji.

Untuk menguji hipotesis nol (flo) bahwa a = <Xo lawan altematif yang dikehendaki, dapat digunakan sebaran t dengan derajat bebas v = n-2 untuk menentukan wilayah kritik, dan kemudian mendasarkan keputusan kepada nilai t yang diperoleh dari rumus:

t=

(a-ao)Sx V n(n-1) SeVLx1

Contoh:

Buat selang kepercayaan 95 % bagi a dalam garis regresi J.ly I x =a + I3x yang didasarkan pada contoh 1.

106

Jawab :

s, = 17.61

S; = 310.16 S; = 218.38 S~= 555.18

Maka selang kepercayaan bagi a adalah :

2.131(17.61) -v 13376 2.131(17.61) -v 13376

91 - ---:-=-=--~=====-- < a < 91 + ---:-:-::----F===:::::::--

14.78 -V16x15 14.78 -V16x15

Sx = 14.78

a = 91

ta/2 = 2.131

72.0449 < a < 109.9551

Contoh:

Dengan menggunakan nilai a = 90.84 pada contoh 1. ujilah hipotesis bahwa a=100 pada taraf nyata uji 0.05.

a. H, a= 100

Jawab :

a < 100 a = 0.05

t < 1.761. pada v = 14

b. HI

c. taraf nyata uji

d. Wilayah kritik

e. Perhitungan

(90.84-100)(14.78) -v 16x15 14.78 -v 13376

= -1.22698

tolak H,

t=

f. Keputusan

Untuk Yh Y2 •...• Yn yang bebas dan menyebar normal. peubah acak B juga menyebar normal dengan nilai tengah :

1lB=13 dan ragam oi = --- sehingga: (n-l)s:

B-13

Z= =

a/(sx~

Jika a tidak diketahui gunakan S, sebagai penggantinya, dan statistik z digantikan dengan statistik t dengan v = n-2.

(B-j3)sx ~

T=-----

Se1ang kepercayaan (l-a) 100% bagi parameter b dalam garis regresi J.Lylx=a+l3x adalah 107

b - <13 < 1>+ ----

Sx~ Sx~

Contoh : Buat selang kepercayaan 95 % bagi 13 dalam garis regresi populasinya dengan menggunakan data contoh 1.

Jawab: b = -1.103

S.=17.61

Maka selang kepercayaannya adalah :

2.13107.61)

2.131(17.61)

-1.103 - ------ < 13 < -1.103 + -----

14.78V!5 14.78V!5

-1.7586 < 13 < -0.4474

Uji hipotesis bagi 13 (dimana o tidak diketahui) menggunakan sebaran t dengan derajat bebas v = n-2 untuk menentukan wilayah kritiknya, dan kemudian keputusan didasarkan pada nilai :

s, V n-I (~)

t=-------

s,

Contoh:

Dengan menggunakan contoh 1. ujilah hipotesis bahwa nilai 13 tidak lebih dari -1.5, dimana nilai dugaan b = -1.1 dan taraf nyata uji 0.01.

Jawab: a. n,
b. Hl
c. taraf nyata uji
d. wilayah kritik
e. Perhitungan 13 = -1.5 13 > -1.5 a = 0.01

t > 2.624, dengan v = 14

(14.78) V 15(-1.1-(-1.5)

t=--------

17.61

= 1.3

f. Keputusan

terima Ho

108

c. PERAMALAN

Perkataan peramalan sudah disinggung pada awal bab ini. Nilai Y untuk berbagai nilai x yang sudah diketahui dapat ditentukan dengan menggunakan persarnaan regresi. Hal ini juga yang akan dilakukan dalam sub bab ini, jika ingin meramalkan respon nilai tengah J.ly I x pada x = Xo. atau nilai Yo pada sembarang x = Xo. Nilai Xo tidak selalu hams sarna dengan salah satu nilai x dari data yang tersedia.

Penyusunan selang kepercayaan bagi J.ly I xo menggunakan titik penduga y = A + BXo terhadap J.ly I xo = a. + ~Xo. yang menyebar normal. dengan nilai tengah dan ragarn sebagai berikut:

J..ly1xo= E(yo) = ~Ixo

dan

S~IXO = (11n +

Jika 02 tidak diketahui, digantikan dengan S; dan statistik yang digunakan adalah statistik t dengan derajat bebas v = ~2.

y - J.ly I xO

T = ------;===:;;;;::==

Se~ xs-x

1/n+--(n-Ijs]

Maka selang kepercayaan (1-a)100% bagi Ily I xo adalah :

< J.1y I xo < Y + tQa S e J ..!_ + _Xo_-_x __

n (~I)si

1\ -/1 xo-x Y - tQa s, ~ + (~I)si

Contoh:

Dengan menggunakan contoh 1. susunlah selang kepercayaan 95 % bagi J..ly I 25

Jawab :

Yo= 63.34

tall = 2.131

Selang kepercayaan : 63.34-17.61 )_1 + 16

(25-25. 125i / 1 (25-25. 125i (1&-1)218.36 < llyl25 < 63.34+17.61 V 16 + (1&-1)218.36

58.937 < Jlyi25 < 67.743

Untuk mendapatkan selang kepercayaan bagi sembarang nilai tunggal Yo dari variabel Yo. diperlukan terlebih dahulu pendsgaan ragarn selisih antara nilai-nilai Yo yang diperoleh dari garis regresi, bila pengarnbilan contohnya dilakukan berulang-ulang pada x = Xo. dengan

1\

nilai Yo yang sesungguhnya. Selisih Yo-Yo dipandang sebagai nilai peubah acak Yo - Yo. yang

sebaran penarikan contohnya normal. dengan nilai tengah dan ragarn sebagai berikut :

109

1\

J.1t-yO =E(Y <J Yo)=O dan

1 (XQ-xf

o ; = 1 + - + ----:---:-,..--,.-- 02

Y<JYo n (n-l)si

Jika 0 tidak diketahui, gunakan S, sebagai penggantinya dan gunakan statististika T dengan v = n-2.

Maka selang kepercayaan (I-a) 100 % bagi nilai tunggal Yo bila x = Xo adalah :

< Yo < Yo +t2a1l s, ~1+ .,', + _(Xo_-_xf_

n (n-l)si

Contoh:

Gunakan kembali soal no. 1 ; buatlah selang kepercayaan 99% bagi nilai tunggal Yo bila xo=15

Jawab :

Yo=74.34

Selang kepercayaan bagi Yo adalah :

74.34-2.624(17.61) J 1+ ~6 +

(15-25.125f 15(218.38)

< Yo <

/ 1 (15-25. 125f

74.34+2.624(17.61) V 1+ 16 + 15(218.38)

26.013 < Yo < 122.667

D. UJI KELINIERAN REGRESI

Pada awal bab ini, hubungan linier diberikan pada variabel x dan y jika dari diagram pencamya sebuah garis lurus dapat digambarkan. Ada cara lain yang Iebih baik digunakan untuk menunjukkan apakah variabel x dan y berhubungan secara Iinier. Cara ini disebut dengan uji kelinieran regresi. Jika uji kelinieran menunjukkan bahwa garis regresinya linier pada tingkat kepercayaan (1-a) 100%, maka selanjutnya sifat-sifat kelinieran dapat digunakan.

110

Pertama-tama asumsikan hubungarmya tinier. sehingga parameter a dan b dapat ditentukan.

Misalkan contoh acak n diarnbil dari k buah nilai x yang berbeda, yaitu : XI. X2 •...• Xk. dimana untuk x = x, ada n, buah pengamatan, untuk X = X2 ada n2 buah pengamatan, dan seterusnya,

dan

n=fu.

Defenisikan : YtJ = nilai ke-j bagi peubah acak Y,

Yj. = jwnlah nilal-nilai Y, dalarn contoh.

Statistik. F dengan VI =k-2 dan V2 =n-k digunakan untuk menentukan wilayah kritik., dan nilai uji dihitung berdasarkan rumus berikut :

XV(k-2)

f = x}lCn-k) • dimana :

y.2 LY"

X1 = L(_!_) - _ __;1:L~ - - ~(n-l)S2x

ni 0

dan

X~ = LY~ - LCy2 j' In)

Bila H, benar, X21 /(k-2) dan X22 /(n-k) keduanya merupakan nilai dugaan bagi cr. dan bersifat bebas satu sarna lain. Tetapi bila H, salah, X21 /(k-2) menduga cr secara berlebihan. Dengan demikian tolak H, pada taraf nyata a. bila nilai f jatuh pada wilayah kritik. yang berukuran a. yang terletak di ujung kanan sebaran F-nya.

Contoh:

Ujilah kelinieran hubungan variabel x dan y pada contoh 1 pada tingkat kepercayaan 99%.

Jawab: a. Ho Garis regresinya linier
b. HI Garis regresinya tidak linier
c. Taraf nyata uji a. = 0.01
d. Wilayah kritik f> 14.55. dengan vi= 10 dan V2= 4
e. Perhitungan
XI = 10 01 = 1 YI = 110
X2 = 8 fi2 = 1 Y2 = 98
X3 = 20 03 = 1 Y3 = 75
""= 16 I4 = 1 Y4 = 100
Xs = 24 ns = 1 Ys = 80
X(; = 30 11(; =2 Y6 = 123
111 X7 = 36 n7 = 1 Y7 = 54
Xs = 40 ns =3 Ys = 110
X9 = 35 ~ =2 Y9 = 105
XlO= 25 nlO = 1 YlO = 60
Xu = 28 nu = 1 Yu = 55
X12 = 45 n12 = 1 Y12 = 40 2 12100 9604 5625 10000 6400 15129 2916 12100 ll025 3600 3025

X =--+--+-+-+-+-_+ __ + __ + __ + __ + __ 111111213211

IOU}!

- 1.21(16-1)218.36 = 4260.84933

16

x~ = 72084 - 71980.33333 = 103.66667 f = _4_260_.8_49_3_3/_10_ = 16.44 103.66667/4

f. Keputusan: Tolak Roo Dengan demikian pada tingkat kepercayaan 99% tidak ada alasan yang kuat untuk menerima pemyataan bahwa garis regresinya tinier.

E. REGRESI EKSPONENSIAL

Hubungan variabel x dan y tidak selalu linier. Jika dari uji kelinieran keputusan yang diambil adalah menolak Ro' maka hams diberikan suatu bentuk yang lain terhadap hubungan variabel x dan y. Salah satu bentuk yang mungkin adalah kurva eksponensial, yang berbentuk:

J..lylx = yfl .

y dan 0 adalah nilai-nilai yang akan diduga dengan menggunakan c dan d, maka dugaan bagi J..ly I x diberikan oleh persamaan berikut :

Dengan mengambil logaritma berbasis 10, akan diperoleh :

log Y = log c + (log d)x1

112

Persarnaan di atas dibentuk ke dalarn bentuk persarnaan linier, dimana log y sarna dengan y, log e = a dan log d = b. Parameter a dan b dieari dengan menggunakan rumusrumus dari persarnaan regresi linier, lalu parameter e dan d diperoleh dengan mengarnbil secara berturut-turut antilogaritma a dan b.

Contoh:

Data berikut menyatakan keanggotaan suatu organisasi selarna 7 tahun terakhir:

xuahun)

7

1

2

3

4

6

5

y(banyak anggota)

304 341 393 457 548 670 882

Gunakan metode kuadrat terkecil untuk menduga kurva yang berbentuk ~y I x = "(OX

Jawab:

x 1 2 3 4 5 6 7
y 304 341 393 457 548 670 882
log y 2.483 2.553 2.594 2.660 2.739 2.826 2.945 LXi= 28 x=4

b = 0.076

2,1ogYi= 18.780 LX, logy,= 77.237 a = 2.379

LX~= 140 log y = 2.6

Dengan demikian e = 1 &.379 = 239

dan d = 10°·019 = 1.19

1\

Persarnaan regresinya : y = (239)( 1.19t

R REGRESIBERGANDA

Garis regresi linier menunjukkan hubungan tinier dari satu variabel bebas X dengan satu variabel tak bebas y. Jika variabel bebas x lebih dari satu, diperlukan grafik yang lain untuk menunjukkan hubungan antara variabel tak bebas y dengan semua variabel bebas x-nya,

()

Misalnya, pertumbuhan mikroba merupakan fungsi dari suhu, nutrien dan space.Jika total

mikroba disimbolkan dengan y, besamya suhu dengan xl' jumlah nutrien dengan Xz dan space dengan ~, maka pendugaan nilai y diperoleh dengan menggunakan prosedur kuadrat-terkecil terhadap data basil pengukuran suhu, nutrien dan space. Dalarn bentuk variabel x dan y, dapat diberikan bahwa-y dipengaruhi oleh Xl' x2 dan x3• Bentuk persarnaannya adalah

113

Ily I ~Xr3 = 130+I3IxI+132'S+133'S' Secara umum bentuk persamaannya adalah :

Dengan mengganti 130.131' ... , I3r dengan bo' b., .... br, nilai llylxl,x2" .. ,xr dapat diduga dari persamaan regresi contohnya, yaitu :

Selanjutnya akan dibahas kasus dengan 2 peubah bebas Xl dan'S. Persamaan regresi untuk 2 peubah bebas Xl dan 'S adalah :

1\

Y = bo+blxl+b2'S,

dan setiap pengamatan memenuhi hubungan :

JKG dari persamaan ini adalah :

Dengan menurunkan persamaan ini ternadap bo' b, dan b2 secara berturut-turut, maka diperoleh ketiga persamaan linier simultan berikut :

Nilai dugaan kuadrat terkecil untuk bo' b, dan b, dapat diperoleh dengan memecahkan ketiga persamaan linier di atas, secara matematika biasa atau dengan menggunakan matriks. Setelah nilai b, dan b2 diperoleh, nilai b, dapat ditentukan dengan menggunakan rumus berikut:

Contoh:

Sebuah percobaan dilakukan untuk menduga berat akhir temak setelah diberi pakan, dengan menggunakan variabel bebas berat awal temak danjumlah pakan yang dihabiskan oleh temak tersebut (kg).

114

·
, ' "
'beJ'at akbir (y) berat awal (XI) ,jUmJab ~'(XJ'
95 42 272
77 33 226
80 33 259
100 45 292
97 39 311
70 36 183
50 32 173
80 41 236
92 40 230
84 38 235 a. Buatlah persamaan regresi bergandanya !

b. Ramallah berat akhir ternak, jika berat awal 35 kg dan jumlah pakan yang digabiskan 250 kg.

Jawab: LXii = 379 LJSi = 2417 LYi = 825 LY\ = 70083
LX\i = 14535 LX221 = 601365 Lx1i'Si = 92628
LXliYi = 31726 LJSiYi = 204569 Xl = 37.9
~ = 241.7 Y = 82.5 Persamaan (1) : lObo+ 379bl+ 2417b2= 825

Persamaan (2): 379bo+ 14533bl+92628b2= 31726 Persamaan (3) : 2417bo+ 92628bl+ 601365b2 = 204569

Dengan menyelesaikan ketiga persamaan di atas dengan matematika biasa, maka diperoleh:

b2= -0.395751337 bl= 5.113266098

Nilai bl dan b2 ini dimasukkan ke dalam persamaan b, di atas, sehingga diperoleh nilai boo

bo= y - b.x, -b2JS = -15.6396869

a. Persamaan regresinya adalah : y = -15.64 + 5.11x1 - 0.4Ox2

b. Y = -15.64 + 5.11(35) - 0.4(200) = 63.21

115

G. KORELASI

1. Korelasi Linier

Analisa korelasi adalah analisis terhadap kekuatan hubungan antara variabel bebas x dengan variabel tak bebas y. Misalnya, bila X menyatakan biaya per SKS kuliah di Gunadarma dan Y menyatakan jumlah mahasiswa, maka analisa korelasi akan menunjukkan apakah peningkatan X akan menyebabkan turunnya Y. atau peningkatan X tidak mempengaruhi besamya Y, dan seterusnya. kekuatan hubungan antara X dan Y untuk selanjutnya akan ditunjukkan dengan satu bilangan, yang disebut dengan koefisien korelasi. Dengan demikian, koefisien kore/asi linier adalah ukuran hubungan linier antara satu variabel x dengan satu variabel y. dan dilarnbangkan dengan r.

Ukuran korelasi linier antara dua peubah yang paling banyak digunakan adalah koejisien korelasi momen-hasil kali Pearson, dan akan disingkat dengan koefisien korelasi contoh. Rumus yang digunakan untuk men~ur koefisien korelasi ini adalah :

nI,xiYi - (Lx) (I,y) r=--~============== V (nLx2, - (Lxi) (nI,Yi - (I,y/)

Telah diberikan bahwa : JKG = (n--l)(S~-b2s2J. Dengan membagi kedua sisi persarnaan dengan (n--l)S2y' maka diperoleh kuadrat dari koefisien korelasi (r).

JKG

r = 1 - -----,.-----(n-1) (n--l)S~

1'2, JKG dan S~ tidak pemah negatif, maka nilai r terletak antara 0 dan 1; dengan demikian kisaran nilai untuk r adalah -1 sarnpai dengan +1. Nilai r = -1 akan teIjadi bila JKG = 0, dan semua titik contoh terletak pada suatu garis lurus yang mempunyai kemiringan negatif. Bila semua titik contoh pada suatu garis lurns dengan kemiringan positif, maka JKG =0 dan nilai r=+ 1. Dengan demikian hubungan linier sempuma antara variabel X dan Y terdapat jika re+I atau r=-l. Bila r mendekati +1 atau -1, hubungan antara kedua variabel kuat, dan dikatakan terdapat korelasi yang tinggi antara keduanya. Bila r mendekati nol, hubungan linier antara X dan Y sangat lemah, atau mungkin tidak ada sarna sekali.

Contoh:

Hitunglah koefisien korelasi bagi data berikut :

18

22

24

4

5

9

14

x

22

16

11

16

7

3

17

y

116

Jawab : b = -0.42735359 Sy= 6.517376042

Maka: r = -0.42735359(8.014867130/6.517376042) = -0.525546204

Sx= 8.014867138

2. Korelasi Ganda dan Parsial

Hubungan variabel bebas Xl dan X, dengan variabel tak bebas Y pada regresi berganda dapat dituliskan sebagai berikut :

yang diduga dari contoh acak {(Xli' X2i• y): i= 1,2 •... , n} melalui persamaan regresi contoh kuadrat-terkecil :

Koefisien determinasi berganda contoh (R2y.12) diberikan oleh rumus berikut :

JKG

= 1 - ----,,--

(n-l)S2

y

dimana

Koefisien korelasi berganda contoh yang dilambangkan dengan Ry.12 adalah akar positif dari koefisien determinasi bergandanya. Koefisien determinasi berganda contoh dan koefisien korelasi berganda contoh memberikan ukuran keeratan hubungan antara nilai-nilai Y dengan nilai-nilai peubah bebas Xl' X2 ••.• , X, dalam persamaan regresi.

Contoh:

Hitunglah koefisien determinasi berganda contoh dan koefisien korelasi berganda contoh dari teladan 2.

Jawab:

S~ = 224.5

R~.12 = 1-1720.71673/(9x224.5) == 0.148370834 Ry.12 == -v 0.148370834 == 0.385189348

JKG == 1720.71673

Koefisien korelasi biasa atau kuadratnya (koefisien determinasi) memberikan ukuran keeratan hubungan linier antara Y dengan satu peubah bebas. Pada persamaan regresi berganda, untuk melihat hubungan sebenamya dari variabel tak bebas Y dengan satu variabel bebas,

117

biaya (ribu/unit) 4.0 2.3 2.0 3.0 3.1 2.9 304 3.5
jumlah «()()()() unit) 15 51 65 38 34 45 45 35
harga «()()()() unit) 50 15 15 30 33 30 35 36
biaya (ribu/unit) 2.7 2.6 2.5 2.8 3.6 3.7 3.9
jumlah «()()()() unit) 40 50 50 43 27 29 20
harga «()()()()/unit) 29 27 20 29 37 40 45 Buatlah persamaan garis regresinya !

5. a. Hitung koefisien korelasi contoh berganda dari soal noA. b. Hitung koefisien korelasi parsial dari soal noo4.

6. Dalam suatu penelitian mengenai banyaknya curah hujan dan banyaknya polusi udara yang hilang terbawa hujan, diperoleh data sebagai berikut :

curah hujan

(0.01 centimeter) 4.3 4.5 5.9 5.6 6.1 5.2 3.8 2.1 7.5

debu yang terbawa

(mikrogram/m3). 126 121 116 118 114 118 132 141 108

a. Tentukan persamaan garis regresinya.

b. Dugalah banyaknya debu yang terbawa hujan bila curah hujan 4.8 satuan.

7. Hitung koefisien korelasi contoh dari soal no. 6.

8. Hitung koefisien korelasi contoh dari soal no.I.

9. Data berikut dikumpulkan untuk menentukan persamaan regresi hubungan antara panjang bayi dengan umur dan berat waktu lahir :

120

r

panjang (em)

umur (had)

bobot labir (kg) .

57.5 78 2.75
52.8 69 2.15
61.3 77 4.41
67.0 88 5.52
53.5 67 3.21
62.7 80 4.32
56.2 74 2.31
68.5 94 4.30
69.2 102 3.71 a. dugalah persamaan regresinya !

b. dugalah panjang rata-rata bayi yang berumur 75 hari dan beratnya waktu lahir 3.15 kg!

10. Data di bawah ini menunjukkan hubungan kehadiran seorang mahasiswa di kelas untuk mengikuti kuliah statistika dengan nilai ujian yang diperoleh :

f

kehadiran

nilai

1

13 50
14 60
10 40
9 10
1 5
0 5
13 75
14 30
14 35
14 80
14 75
13 60
12 75
10 30
11 25
8 10
4 5
12 40
13 45
13 50 Buatlah persamaan regresi untuk menunjukkan hubungan kedua variabel di atas !

1

121

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->