You are on page 1of 36

1

STATISTIKA DASAR PENYAJIAN DATA DALAM BENTUK GRAFIK

MAKALAH
( Disusun guna memenuhi salah satu tugas matakuliah Statistika Dasar )

Disusun oleh : Galuh Denok Wahyuni Fajar Arum Norma Aisyah Agus Tina Sari Binar Kurnia Prahani (080210102008) (080210102013) (080210102014) (080210102015) (080210102016)

PROGRAM STUDI PENDIDIKAN FISIKA JURUSAN PENDIDIKAN MIPA FAKULTAS KEGURURAN DAN ILMU PENDIDIKAN UNIVERSITAS JEMBER SEMESTER GASAL 2009-2010

BAB I PENDAHULUAN

1.1 Latar Belakang Statistik pada masa kini mempengaruhi hampir seluruh aspek kehidupan modern, contohnya antara lain sebagai berikut : Apakah kamu pernah memperhatikan berita ekonomi baik di surat kabat maupun di televisi? Aplikasi statistika lainnya yang sekarang popular adalah prosedur jajak pendapat atau polling (misalnya dilakukan sebelum pemilihan umum), serta jajak cepat (perhitungan cepat hasil pemilu) atau quick count. Pada korankoran tertentu terdapat grafik yang menunjukkan fluktuasi nilai tukar rupiah terhadap dolar (lihat gambar di atas). Contoh lainnya adalah jumlah penduduk di Indonesia. Andaikan jumlah penduduk Indonesia tahun 2002 adalah 202 juta orang, maka kita dapat meramalkan jumlah penduduk Indonesia 10 tahun yang akan datang. Tentunya kita perlu bantuan statistika untuk meramalkan jumlah penduduk Indonesia pada tahun 2012. Masih banyak contoh-contoh penggunaan statistika dalam kehidupan sehari-hari. Uraian singkat di atas memberi kita informasi tersurat bahwa dalam berbagai hal kita harus bias menyajikan data agar orang lain lebih komunikatif dalam menganalisa atau menikmati data kita. Mengetahui bahwa akan pentingnya Penyajian data yang dibahas secara detail dalam ilmu statistika, maka kami menyusun makalah ini yang didalamnya akan membahas secara efektif dan efesien mengenai Penyajian Data, Sehingga kita sebagai mahasiswa yang akan banyak melakukan Penelitian dan kegiatan ilmiah diharapkan kita dapat memahami dan mengaplikasikan Ilmu Statisika.

1.2 Rumusan Masalah


1. 2. 3. 4. 5. 6. 7. 8.

Apakah definisi penyajian data dalam grafik ? Bagaimanakah Penyajian data dalam grafik ? Apakah definisi ukuran pemusatan ? Bagaimanakah deskripsi dan jenis dari ukuran pemusatan ? Apakah definisi ukuran variasi/dispersi ? Bagaimanakah deskripsi dan jenis dari ukuran variasi/dispersi ? Apakah definisi dari korelasi dan regresi ? Bagaimanakah deskripsi dan jenis dari ukuran korelasi dan Mengapa perlu dipelajari dan melakukan penyjian data ?

regresi ? 9. 1.3 Tujuan


1. Memberikan pemahaman melalui diskripsi penyajian data dalam grafik. 2. Memberikan pengetahuan dasar mengenai komponen yang terkandung

Penyajian data dalam grafik.


3. Memberikan Pemahaman melalui diskripsi definisi ukuran pemusatan. 4. Memberikan pengetahuan dasar mengenai komponen yang terkandung

dalam deskripsi dan jenis dari ukuran pemusatan.


5. Memberikan

Pemahaman

melalui

diskripsi

definisi

ukuran

variasi/disperse.
6. Memberikan pengetahuan dasar mengenai komponen yang terkandung

dalam deskripsi dan jenis dari ukuran variasi/dispersi.


7. Memberikan Pemahaman melalui diskripsi definisi dari korelasi dan

regresi.
8. Memberikan pengetahuan dasar mengenai komponen yang terkandung

dalam deskripsi dan jenis dari ukuran korelasi dan regresi.


9. Diharapkan setiap mahasiswa dapat mengetahui dan mengaplikasikan

penyajian data, ukuran variasi atau disperse, korelasi dan regresi.

BAB II PEMBAHASAN
2.1 Definisi penyajian data dalam grafik Penyajian dalam bentuk grafik adalah suatu penyajian data secara visual. Penyajian hasil penelitian kuantitatif yang sering menggunakan bentuk tabel atau grafik Penyajian data secara visual dilakukan melalui bentuk grafik, gambar, atau diagram. 2.2 Penyajian data dalam grafik.

Modifikasi bentuk penyajian data dengan grafik ini beraneka ragam antara lain sebagai berikut : a. Diagram Batang Untuk menggambar diagram batang kita memerlukan sumbu datar dan sumbu tegak yang saling tegak lurus. Sumbu datar dibagi menjadi beberapa skala bagian yang sama dan sumbu tegak juga dibagi menjadi beberapa skala bagian yang sama. Skala pada sumbu datar tidak harus sama dengan skala pada sumbu tegak. Sumbu datar biasanya menyatakan nilai dan sumbu tegak menyatakan frekuensi. Untuk lebih jelasnya, coba kamu perhatikan contoh berikut. Tabel 3 BANYAK ORANG DI DAERAH X YANG MENJAGOKAN SALAH SATU NEGARA PESERTA WORLD CUP 2002 MENJADI JUARA

Negara Peserta

Banyak Orang

Jumlah

Argentina Brazil Denmark Italia Inggris Jerman Prancis Spanyol Jumlah

10 35 7 15 20 30 5 8 130

10 35 7 15 20 30 5 8 130

Diagram 1
Banyak Orang di Daerah X yang Menjagokan Salah Satu Negara Peserta World Cup 2002 Menjadi Juara

40

Catatan: Data fiktif 35 yang terdapat pada Tabel 3 di atas akan kita nyatakan dalam
30

35 Data-data

bentuk diagram batang, seperti yang nampak pada Gambar 2 berikut.


30 25 20 15 10 5

20 15 10 8 7 5

Argentina

Brazil

Denmark

IItaa

IInggris

Jerman

Prancis

Spanyol

Negara Peserta World Cup 2002

b. Diagram Garis Jika kita mempunyai data yang keadaannya kontinu atau berkesinambungan, maka sebaiknya kita dapat menyajikan dalam bentuk diagram garis. Misalkan data tersebut adalah kasus malaria, DBD dan Frambusia di kabupaten Wetan tahun 1997, seperti berikut:

150 100 50 0 JAN

Banyak Orang DBD DAN FRAMBUSIA DI Negara KASUS MALARIA, yang Menjagokan Salah SatuKAB WETAN TAHUN 1997 Peserta World Cup 2002 Menjadi Juara

FEB

MAR

APR

MEI

JUN

c. Diagram Lingkaran Perhatikan kembali Tabel 3 di atas. Kita akan meyajikan data-data yang terdapat pada tabel Arg tersebut dalam bentuk diagram lingkaran.
De n France 4%6%

Brazil

Spanyo l Italia Inggri s Jerman

8%

Brazil 27%

Jerman 23% Inggris 15% ItaliaSpain 5% 12%

Prancis Denmark Argentina

d. Diagram area atau diagram daerah

160 140 120 100 80 60 40 20 0 JAN FEB MAR


GAKY KEP

APR
AGB

MEI
KVA

JUN

STATUS GIZI MASYARAKAT KEC TUAS TAHUN 1996

e. Grafik Peta, untuk melihat/menunjukkan lokasi

Ketentuan umum untuk membuat grafik, diagram atau gambar data antara lain sebagai berikut : a. Judul grafik, diagram, gambar atau skema harus jelas dan tepat. Judul terletak diatas tengah gambar atau grafik dan menggambarkan ciri data, tempat dan tahun data tersebut diperoleh (what, where, dan when). b. Garis horizontal maupun garis vertikal sebagai koordinat harus diatas agar garis kurva tampak jelas. c. Skala pada grafik atau gambar harus ada catatan tentang satuan yang dipakai misalnya tahun, hari, kilogram, celcius, dan sebagainya. f. Apabila data dari grafik atau gambar tersebut diambil dari sumber lain (bukan hasil penelitian sendiri) maka sumber data harus ditulis dibawah kiri grafik atau gambar tersebut. Grafik Garis Tunggal

Grafik garis tunggal (single line chart) adalah grafik yang terdiri dari satu garis untuk menggambarkan perkembangan (trend) dari suatu karakeristik. Contoh 3.1 Perhatikan tabel berikut,yang berisi data penjualan hipotesis Harapan Kita selama tujuh tahun.

100 50 0 JAN FEB MAR APR MEI JUN

DBD

MALARIA

FRAMBUSIA

KASUS MALARIA, DBD DAN FRAMBUSIA DI KAB WETAN TAHUN 1997

2.3

Definisi ukuran pemusatan. Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok

data yang disusun menurut besar kecilnya nilai. Dengan perkataan lain,ia mempunyai kecenderungan memusat, sehingga sering disebut ukuran kecenderungan memusat (measures of central tendency). 2.4 Deskripsi dan jenis dari ukuran pemusatan

1. Rata-rata. Rata-rata (average) adalah nilai yang mewakili himpunan atau sekelompok data (a set of data). Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok data yang disusun menurut besar kecilnya nilai. Dengan perkataan lain,ia mempunyai kecenderungan memusat, sehingga sering disebut ukuran kecenderungan memusat (measures of central tendency). Beberapa jenis rata-rata yang sering dipergunakan ialah rata-rata hitung (arithmetic mean atau sering disingkat mean saja),rata-rata ukur (geometric

10

mean), dan rata-rata harmonis (harmonic mean). Setiap rata-rata tersebut selain mempunyai keunggulan juga memiliki kelemahan, dan ketepatan penggunaannya sangat tergantung pada sifat dari data dan tujuannya (misalnya,untuk melakukan analisis). Yang dimaksudkan di sini dengan ratarata ialah rata-rata hitung, kecuali kalau ada keterangan atau penjelasan lain.Rata-rata hitung, yang untuk selanjutnya kita singkat rata-rata,sering digunakan sebagai dasar perbandingan antara dua kelompok nilai atau lebih. Misalkan hasil ujian Toni dan Joni adalah seperti disajikan dalam Tabel Mata Pelajaran Statistik Matematika Teori Ekonomi Pemasaran Metode Riset Jumlah Rata-rata Hasil Ujian Toni (X) 8 7 6 8 7 36 36/5 = 7,2 Hasil Ujian Joni (Y) 7 6 5 6 6 30 30/5 =6

Dari nilai rata-rata tersebut dapat disimpulkan bahwa Toni lebih pandai dari Joni. a. Rata-rata Hitung Kalau kita mempunyai nilai variable X,sebagai hasil pengamatan atau observasi sebanyak N kali yaitu X1,X2,.,Xb,.,Xn maka : a) Rata-rata sebenarnya (populasi)

11

dibaca

myu,yaitu

symbol

rata-rata

sebenarnya

yang

disebut

parameter.Rata-rata ini dihitung berdasarkan populasi.Karena itu,rata-rata sebenarnya sering juga disebut rata-rata populasi. b) Rata-rata perkiraan (sampel) Kalau rata-rata tersebut dihitung berdasarkan sampel sebanyak n di mana n<N observasi,maka rata-rata yang diperoleh disebut rata-rata perkiraan,atau rata-rata sampel,yang diberi simbol yang rumusnya adalah sebagai berikut :

dibaca X bar,yaitu symbol rata-rata merupakan perkiraan Metode Koding Suatu saat mungkin kita akan bekerja pada jumlah data yang banyak dengan nilai-nilai data yang tinggi.Ada suatu metode yang efektif dan sangat membantu dalam menyederhanakan nilai-nilai yang besar itu yaitu dengan menggunakan metode koding (metode ini hanya berlaku jika semua panjang kelas dalam tabel distribusi frekuensi bernilai sama). Untuk menghitung ratarata dengan menggunakan metode koding, adalah dengan melengkapi tabel di bawah ini. Langkah pertama meletakkan angka nol pada kelas sekehendak kita/sembarang. Untuk mengisi kolom koding (kolom 4) di atas nilai nol dengan mengurangkan masing-masing dengan satu dari nilai kelas di bawahnya. Tabel Hasil Koding

12

No 1 2 3 4 5 6 7 8 Jumlah Rumus Rata-Rata

Nilai 61-65 66-70 71-75 76-80 81-85 86-90 91-95 96-100

fi 5 7 11 14 17 15 8 3 80

ci -4 -3 -2 -1 0 1 2 3

fici -20 -21 -22 -14 0 15 16 9 -37

Untuk mencari nilai rata-rata dengan menggunakan metode koding dapat dillihat dalam rumus

Dimana: = nilai rata-rata hitung = nilai tengah kelas pada saat i= 0c P = panjang kelas N= jumlah ci = nilai koding kelas ke-i fi = frekuensi kelas ke- i a. Rata-rata Gabungan Jika kita mempunyai data n1, n2, n3, dengan nilai rata-rata masing- masing. b. Rata-rata Harmonik Rata-rata harmonik biasanya digunakan untuk merata-ratakan

kecepatan beberapa jarak tempuh atau mencari harga rata-rata suatu komoditi tertentu.

13

c.

Rata-rata Ukur (geometrik) Digunakan jika perbandingan dua data berturutan tetap atau hampir tetap.

2. Modus Untuk mencari nilai modus dari sekelompok data yang sudah dibuat dalam tabel distribusi frekuensi, pertama kali carilah kelas yang mempunyai frekuensi paling tinggi. Selanjutnya jika kelas dengan frekuensi paling tinggi sudah deketahui lalu tentukan batas bawah kelas yang mempunyai frekuensi tertinggi tersebut, kemudian hitung panjang kelas dengan frekuensi tertinggi itu. Secara geometris nilai modus didasarkan pada grafik histogram. Nilai modus adalah perpotongan antara garis vertikal hasil pertemuan antara sudut kelas berfrekuensi tertinggi dengan frekuensi sebelum dan sesudah frekuensi tertinggi (garis terpotong- potong) dengan garis horizontal. Rumus Nilai Modus Nilai modus dihitung dengan menggunakan rumus:

Dimana: Mo = Nilai modus BB = Batas Bawah kelas model p = panjang kelas modus b1 = jumlah frekuensi kelas modus dikurangkan jumlah frekuensi sebelum kelas modus b2 = jumlah frekuensi kelas modus dikurangkan jumlah frekuensi setelah kelas modus 3. Median Untuk data berkelompok :
n -F M ed = L 0 + c 2 f L 0 = batas baw ah kelas m edian F = jum lah frekuensi sem ua kelas sebelum kelas yang m engandung m edian f =frekuensi kelas m edian

14

Contoh : Interval Kelas 9-21 22-34 35-47 48-60 61-73 74-86 87-99 Frekuensi 3 4 4 8 12 23 6 f = 60 Letak median ada pada data ke 30, yaitu pada interval 61-73, sehingga : L0 = 60.5 F = 19 f = 12 4. Kuartil Kelompok data yang sudah diurutkan (membesar atau mengecil) dibagi empat bagian yang sama besar. Ada 3 jenis yaitu kuartil pertama (Q1) atau kuartil bawah, kuartil kedua (Q2) atau kuartil tengah, dan kuartil ketiga (Q3) atau kuartil atas. Untuk data tidak berkelompok
0 6 -1 9 2 Md =6 ,5 + 3 e 0 1 2 1 =7 ,4 2 2

15

Q i = nilai ke -

i( n +1) , i =1,2,3 4

Untuk data berkelompok


in -F , i = ,2 Q i =L 0 +c 4 1 ,3 f

L0 = batas bawah kelas kuartil F = jumlah frekuensi semua kelas sebelum kelas kuartil Qi f = frekuensi kelas kuartil Qi Contoh : Interval Kelas Nilai Tengah (X) 9-21 22-34 35-47 48-60 61-73 74-86 87-99 15 28 41 54 67 80 93 3 4 4 8 12 23 6 f = 60 Frekuensi

16

Q1 membagi data menjadi 25 % Q2 membagi data menjadi 50 % Q3 membagi data menjadi 75 % Sehingga : Q1 terletak pada 48-60 Q2 terletak pada 61-73 Q3 terletak pada 74-86

Untuk Q1, maka :

.6 1 0 -1 1 Q1 =4 ,5 + 3 4 7 1 8

=5 4

Untuk Q2, maka :


0 2.6 - 19 4 Q 2 =60 +13 ,5 12 .6 3 0 -3 1 Q 3 =7 ,5 + 3 4 3 1 2 3 =72,42 =8 ,41 1

Untuk Q3, maka :

5. Desil

Kelompok data yang sudah diurutkan (membesar atau mengecil) dibagi sepuluh bagian yang sama besar. Untuk data tidak berkelompok
D i = nilai ke i( n +1) , i =1,2,3,..., 9 10

17

Untuk data berkelompok


in -F 1 0 , i = ,2 ,..., D i =L 0 +c 1 ,3 f

L0 = batas bawah kelas desil Di F = jumlah frekuensi semua kelas sebelum kelas desil Di f = frekuensi kelas desil Di Contoh : Inte rval Kelas ai Tengah (X) 921 2234 3547 4860 6173 7415 28 41 54 67 80 93 3 4 4 8 12 23 6 Nil Freku ensi

18

86 8799 f = 60

D3 membagi data 30% D7 membagi data 70% Sehingga : D3 berada pada 48-60 D7 berada pada 74-86
.6 3 0 -1 1 0 D 3 =4 ,5 + 3 1 7 1 8
.6 7 0 -3 1 1 =7 ,5 +1 0 3 3 2 3

=5 ,8 5 8 7

D7

=7 ,7 9 2

6. Persentil Untuk data tidak berkelompok

Untuk data berkelompok


in -F 10 0 , i = ,2 ,..., Pi =L 0 +c 1 ,3 f

9 9

19

2.5

Definisi ukuran variasi/disperse.

Ukuran variasi atau dispersi, ukuran ini berasal dari pemikiran bahwa ada data yang berada di sekitar rata-rata. Ada data yang tepat sama dengan nilai rata-rata, ada yang lebih kecil dan ada juga yang nilainya lebih besar dari rata-rata. Artinya bahwa antara tiap-tiap data dengan rata-rata terdapat jarak atau dispersi, begitu pula dispersi juga terdapat antara data yang satu dengan yang lain. 2.6 Deskripsi dan jenis dari ukuran variasi/dispersi. Ukuran variasi diperlukan karena ukuran ini memberikan informasi mengenai sebaran nilai pada data tersebut. Selain itu ukuran ini dapat digunakan untuk membandingkan sebaran dari dua distribusi data. Simpangan baku (standard deviation), ukuran variasi ini paling banyak digunakan karena mempunyai sifat mathematics yang berguna untuk teori dan analisis. Pengukuran Dispersi Data Tidak Dikelompokkan:

1. Simpangan baku (standard deviation) Simpangan baku diperoleh dari akar dari ragam (variance).Variance adalah rata-rata dan kuadrat dari selisih tiap-tiap data dengan mean-nya. Simbol untuk variance adalah 2 atau sigma kuadrat. Simpangan baku memiliki satuan yang sama seperti satuan data aslinya, sehingga kelemahannya apabila membandingkan dua atau lebih data yang berbeda satuan maka pembandingan akan sulit dilakukan.Variance untuk populasi rumusnya:

Variance untuk sampel rumusnya:

20

Atau Untuk simpangan baku populasi rumusnya:

Simpangan baku untuk sampel rumusnya: atau

Terdapat perbedaan pembagi pada populasi dan sampel, pada populasi pembagi adalah n sedangkan pada sampel pembagi adalah n-1. Perbedaan ini karena pada sampel hanya mengestimasi populasi, artinya nilai sampel hanya mendekati dan bukan nilai yang menggambarkan nilai sebenarnya pada populasi. Pembagi pada sampel (n-1) disebut dengan derajat bebas (degree of freedom). Dapat ditunjukan secara statistika matematis bahwa dengan pembagi (n-1), variance sampel merupakan unbiased estimate bagi variance populasi.

2. Jarak (range) Nilai jarak (range), merupakan ukuran variasi yang paling sederhana dan mudah untuk dihitung. Data diurutkan dahulu dari yang terkecil hingga terbesar kemudian dihitung selisih antara data terbesar dan data terkecil. Rumusnya: Nilai jarak = X(n) X1. Range merupakan ukuran yang kasar untuk n besar dan ukuran ini kurang sensitive, artinya bahwa informasi

21

bisa menyesatkan apabila ada dua data yang memiliki kisaran sama tapi simpangan baku yang berbeda. Range ini tidak selalu dapat menggambarkan keragaman data untuk n besar. 3. Rata-rata simpangan (mean deviation). Rata-rata simpangan, seperti namanya perhitungan ini dilakukan dengan cara merata-ratakan simpangan data. Simpangan data adalah selisih tiap-tiap data dengan rata-ratanya. Rata-rata simpangan adalah ratarata hitung dari nilai absolute dari simpangan, rumusnya:

Pengukuran Dispersi Data Dikelompokkan Nilai Jarak Untuk data berkelompok, nilai jarak ( NJ ) dapat dihitung dengan dua cara NJ = Nilai tengah kelas terakhir nilai tengah kelas pertama NJ = batas atas kelas terakhir batas bawah kelas pertama Koefisien variasi (coefficient of variation) Koefisien variasi , pengukuran ini bermula dari simpangan baku atau

standard deviation yang mempunyai satuan yang sama dengan satuan data aslinya, hal ini merupakan kelemahan apabila kita ingin membandingkan dua atau lebih kelompok data yang satuannya berbeda. Agar dapat membandingkan dua atau lebih kelompok data dengan satuan yang berbeda maka digunakan Koefisien Variasi (KV), yang bebas dari satuan data asli. Koefisien variasi untuk populasi:

Koefisien variasi untuk sampel:

22

Jika ada dua kelompok data dengan KV1 dan KV2, di mana KV1 > KV2, maka kelompok data pertama lebih bervariasi atau lebih heterogen daripada kelompok data kedua. Koefisien Variasi (KV), dapat juga digunakan untuk menentukan apakah kelompok data tersebut memiliki konsistensi atau tidak. Semakin besar KV maka semakin tidak konsisten, begitu pula sebaliknya semakin kecil KV semakin konsisten. 2.7 Definisi dari korelasi dan regresi. Dalam teori probabilitas dan statistika, korelasi, juga disebut koefisien korelasi, adalah nilai yang menunjukkan kekuatan dan arah hubungan linier antara dua peubah acak (random variable). Dalam bahasa Inggris, Correlation artinya saling hubungan atau hubungan timbal balik. Istilah itu biasa kita sebut dalam bahasa sehari-hari dengan sebutan Korelasi. Dan dalam ilmu statistika istilah korelasi diberi pengertian sebagai hubungan antara dua variabel atau lebih. Dimana hubungan antara dua variabel itu dikenal dengan istilah bivariate correlation, sedangkan hubungan antar lebih dari dua variabel disebut multivariate correlation. Contoh bivariate correlation adalah: Hubungan antara motivasi kerja dengan kinerja, atau penggunaan pupuk dengan hasil produksi padi. Sedangkan contoh multivariate correlation adalah: Hubungan antara motivasi kerja dan disiplin kerja dengan kinerja, atau bisa juga hubungan antara penggunaan pupuk dan luas lahan tanam dengan hasil produksi. Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dan 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

23

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.

2.8 1.

Deskripsi dan jenis dari ukuran korelasi dan regresi. Korelasi Analisis korelasi dilakukan dengan tujuan antara lain: 1) untuk mencari bukti terdapat tidaknya hubungan (korelasi) antar variable. 2) bila sudah ada hubungan, untuk melihat besar kecilnya hubungan antar variable. 3) untuk memperoleh kejelasan dan kepastian apakah hubungan tersebut berarti (meyakinkan/signifikan) atau tidak berarti(tidak meyakinkan).

Proporsi dan Korelasi Sebelum membahas lebih detil mengenai apakah itu korelasi, kita akan mencoba memahami terlebih dahulu apa itu proporsi sebagai dasar kita dalam proses menelaah suatu korelasi. Proporsi dapat diartikan suatu persentase (tingkat) dari suatu populasi yang memiliki properti (kriteria) tertentu. Sebagai contoh untuk mempermudah pemahaman mengenai propors. Misalkan: terdapat sebuah kotak yang berisi koin dan koin itu memiliki beberapa kriteria yang bisa dilihat dari warnanya (kuning dan keabuan) dan dari nilainya (10 sen atau 20 sen). Berdasarkan informasi itu, yang bisa kita sebut proporsi ialah ketika kita menyatakan berapa persebaran jumlah suatu koin dengan kriteria tertentu (apakah kehi-jauan, keabuan, benilai 10 sen, atau bernilai 20 sen) dalam suatu kumpulan koin yang ada. Misalnya, dari 100 koin dalam kotak terdapat 30 koin yang berwarna keabuan. Contoh proporsi lain yang melibatkan 2 kriteria ialah dari 100 koin terdapat 10 koin kuning yang bernilai 20 sen. Lalu bagaimana

24

dengan korelasi? Korelasi ialah suatu keterkaitan yang bisa ditangkap dari perbandingan dua proporsi yang masing-masing proporsisi mengandung 2 kriteria yang salah satu kriteria disebutkan dalam kedua proporsi tersebut. Jadi, korelasi bisa diambil dari contoh 2 proporsi sebagai berikut, terdapat sekitar 60% koin berwarna keabuan yang bernilai 10 sen dan terdapat sekitar 35% koin berwarna kuning yang bernilai 10 sen. Kedua proporsi tadi telah membandingkan proporsi koin bernilai 10 sen yang berwarna kuning dan keabuan yang ada dalam kotak. Hal ini memberi informasi bahwa koin bernilai 10 sen lebih sering muncul dalam warna yang keabuan dibandingkan kuning. Informasi ini bukan sekedar proporsi, tetapi terdapat korelasi di dalamnya. Contoh ini merupakan suatu korelasi positif antara kriteria(properti) nilai 10 sen dengan kriteria (properti) warna keabuan. Pembahasan bagaimana korelasi dikatakan positif atau negatif akan dilanjutkan pada bagian berikutnya.
1.

Koefisien Korelasi Untuk mengetahui tinggi rendah, kuat lemah, atau besar kecilnya suatu

korelasi adalah dengan melihat besar kecilnya besaran angka (koefisien) yang disebut angka indeks korelasi atau coeffisien of correlation, yang diberi simbol dengan (baca Rho, untuk populasi) atau r (untuk sampel). Dengan kata lain Besaran Indek Korelasi adalah sebuah angka yang dapat dijadikan petunjuk untuk mengetahui seberapa besar kekuatan korelasi di antara variabel yang sedang diselidiki korelasinya. Besaran korelasi berkisar antara 0 sampai dengan 1,00 (artinya paling tinggi dan paling rendah 1,00, atau antara + 1 dan 1). Pada Besaran Indeks Korelasi, makna tanda plus minus (), atau tanda plus minus pada Besaran Indek Korelasi ini berfungsi hanya untuk menunjukkan arah hubungan, dan bukan sebagai tanda aljabar. Apabila besaran indek korelasi bertanda plus ( + ) maka korelasi tersebut positif dan arah korelasi itu satu arah, sedangkan apabila angka indek korelasi bertanda minus (), maka korelasi tersebut negatif dan arah korelasi berlawanan arah; serta apabila angka indek korelasi sama dengan 0, maka hal ini menunjukkan tidak ada korelasi. Secara umum, arah korelasi dapat di bedakan menjadi dua, yakni bersifat satu

25

arah dan yang sifatnya berlawanan arah. Contoh hubungan yang satu arah: Kenaikan biaya promosi diikuti oleh kenaikan omzet penjualan suatu produk. Contoh hubungan antar dua variabel yang berlawanan arah adalah: meningkatnya harga suatu produk tertentu diikuti oleh penurunan permintaan masyarakat terhadap produk tersebut. Istilah yang dinamakan dengan ukuran korelasi dikenal dalam analisis korelasi. Ukuran korelasi (measures of correlation) ini dapat dilihat dengan rumus-rumus tertentu yang digunakan, dimana penggunaan rumus-rumus tersebut disesuaikan menurut jenis variabel-variabel yang yang akan diukur korelasinya. Dalam hal ini, paling tidak ada enam model hubungan antar dua atau lebih variabel yang dapat kita identifikasi sesuai dengan jenis variabelnya, yakni: 1) hubungan variabel nominal dengan variabel nominal; 2) hubungan variabel nominal dengan variabel ordinal; 3) hubungan variabel nominal dengan dengan variabel interval; 4) hubungan variabel ordinal dengan variabel ordinal; 5) hubungan variabel ordinal dengan variabel interval;
6) hubungan variabel interval (ratio) dengan variabel interval (ratio).

Berikut ini disajikan kelaziman penggunaan analisis hubungan dengan menggunakan model analisis yang benar.

Korelasi tinggi Tinggi rendah Rendah Tanpa korelasi Tak ada korelasi (acak) Tanpa korelasi Rendah Rendah tinggi Korelasi tinggi

-1 <-0,9 >-0,9 <-0,4 >-0,4 0 <+0,4 >+0,4 <+0,9 >0,9 +1


26

Koefisien korelasi non-parametrik Koefisien korelasi Pearson merupakan statistik parametrik, dan ia kurang begitu menggambarkan korelasi bila asumsi dasar normalitas suatu data dilanggar. Metode korelasi non-parametrik seperti Spearman and Kendall berguna ketika distribusi tidak normal. Koefisien korelasi nonparametrik masih kurang kuat bila dibandingkan dengan metode parametrik jika asumsi normalitas data terpenuhi, namun cenderung memberikan hasil distrosi ketika asumsi tersebut tak terpenuhi.Metode pengukuran yang lain untuk mengetahui dependensi antara dua peubah acak.Untuk mendapatkan suatu pengukuran mengenai dependensi data (juga nonlinier), dapat digunakan rasio korelasi, yang mampu mendeteksi hampir segala dependensi fungsional Kopula dan korelasi Banyak orang yang keliru menganggap bahwa informasi yang diberikan dari sebuh koefisien korelasi sudah cukup mendefinisikan struktur ketergantungan (dependensi) antara peubah acak. Namun untuk mengetahui adanya ketergantungan antara peubah acak harus dipertimbangkan pula kopula antara keduanya. Koefisien korelasi dapat didefinisikan sebagai struktur ketergantungan hanya pada beberapa kasus, misalnya dalam fungsi distribusi kumulatif pada distribusi normal multivariat.

27

Koefisien Korelasi Sederhana Koefisien yang digunakan untuk mengukur derajat hubungan dari dua variable VARIABEL I 1. Nominal VARIABEL II Nominal KOEFISIEN KORELASI 1. Kontingensi 2. Lambda 2. 3. 4. Nominal Nominal Ordinal Ordinal Interval/Rasio Ordinal Interval/Rasio Interval/Rasio 3. Phi Theta 1. Eta 2. Point Biserial 1. Gamma 2. Spearman Jaspens (M) Jaspens (r)

5. Ordinal 6.Interval/rasio

28

Jenis koefisien korelasi sederhana : 1. Rumus Koefisien Korelasi Kontingensi (C) Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel nominal.

Dimana; C N = koefisiensi kontingensi = kai kuadrat = Jumlah data 2. Koefisien Korelasi Lambda ( ) Digunakan pada korelasi sederhana untuk variabel nominal dengan nominal.
1. Lambda simetris, tidak mempersoal variabel mana yang dijadikan variabel

bebas.
2. Lambda Asimetris, mempermasalahkan mana yang menjadi variabel bebas

(prediktor) Rumus Lambda Simetris dan Asimetris

f1 = Frekuensi terbesar pada setiap subkelas variabel bebas (Indepeden) f2 =Frekuensi terbesar pada sub total variabel terikat (dependen) n =Jumlah data 3. Koefisien Korelasi Phi () Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel nominal, jika dirumuskan:

29

4. Koefisien Korelasi Theta () Digunakan untuk korelasi sederhana untuk variabel nominal dengan variabel ordinal, sehingga dapat dirumuskan;

=Perbedaan absolut antara frekuensi di atas setiap rank dan di bawah setiap rank untuk pasangan variabel subkelas nominal atau fa fb =Setiap frekuensi total subkelas nominal dikalikan dengan setiap frekuensi total yang lain, hasil perkaliannya dijumlahkan 5. Koefisien Korelasi Eta ( ) Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel interval/rasio.

6. Koefesien Korelasi Point Biserial (rpbi) Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel interval/rasio yang bersifat dikotomi.

7. Koefisiensi Korelasi Gamma ( ) Digunakan pada korelasi sederhana untuk variabel ordinal dengan varibel ordinal, dapat dirumuskan menjadi:

30

8. Koefisien Korelasi Spearman (rs) Digunakan pada analisis korelasi sederhana untuk variabel ordinal dengan variabel ordinal, dirumuskan dalam:

9. Koefisien Korelasi Jaspens (M) Digunakan pada analisis korelasi sederhana untuk variabel ordinal dengan variabel interval atau rasio. Dirumuskan dengan:

10. Koefisien Korelasi Pearson (r) Digunakan pada analisis korelasi antara interval dengan interval. Dapa dirumuskan dalam:

2. Regresi Analisis regresi merupakan salah satu teknik statistik yang digunakan secara luas dalam ilmu pengetahuan terapan. Regresi di samping digunakan untuk mengetahui bentuk hubungan antar peubah regresi, juga dapat dipergunakan untuk maksud-maksud peramalan.Dengan menggunakan n pengamatan untuk suatu model linier sederhana:

31

Y = b + b X +e 0 1 (1) dengan Yi adalah peubah tidak bebas Xi adalah peubah bebas dengan i = 1,2,...,n 0 b dan 1 b adalah parameter-parameter yang tidak diketahui diberlakukan asumsi-asumsi model ideal tertentu terhadap galat e yaitu bahwa galat menyebar NID (0,s2). Dengan pemenuhan terhadap asumsi kenormalan dapat digunakan regresi parametrik untuk mengetahui bentuk hubungan antar peubah regresi pada data contoh yang diamati.Dalam praktek, penyimpangan terhadap asumsi-asumsi itu sering terjadi dan terkadang peubah acak yang diamati tidak dapat dianggap menyebar normal.Dari segi statistika persoalan tersebut harus dapat diselesaikan dengan menggunakan teknik statistika. Dalam statistika parametrik, teknik-teknik yang digunakan berhubungan dengan pendugaan parameter serta pengujian hipotesis yang yang berhubungan digunakan dengan pada parameter umumnya parameternya.Asumsi-asumsi

menspesifikasikan bentuk sebarannya.Salah satu analisis alternatif lain yang dapat digunakan adalah dengan regresi nonparametric karena dalam regresi nonparametrik tidak diperlukan pemenuhan asumsi kenormalan. Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dan variabel(variabel) yang lain. Variabel "penyebab" disebut dengan bermacammacam 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.

32

Istilah regresi diperkenalkan oleh Sir Francis Galton, yang menemukan bahwa meskipun ada kecenderungan bagi orang tua yang tinggi mempunyai anak yang tinggi dan orang tua yang pendek mempunyai anak yang pendek, distribusi tinggi populasi tidak berubah secara mencolok dari generasi ke generasi. Penjelasannya adalah bahwa kecenderungan bagi rata-rata tinggi anak dengan orang tua yang mempunyai tinggi tertentu untuk bergerak atau mundur (regress) ke arah tinggi rata-rata seluruh populasi. Hukum regresi semesta (law of universal regression), yang bersifat biologis ini diperkuat oleh Karl Pearson. Ia menemukan bahwa rata-rata tinggi anak laki-laki kelompok ayah yang tinggi kurang daripada tinggi ayah mereka dan rata-rata tinggi anak lakilaki kelompok ayah yang pendek lebih tinggi dari pada tinggi ayah mereka. Sesuai dengan perkembangan metodologi dan penerapannya, definisi regresi pada saat ini telah berbeda jauh dari pengertian awal tersebut. Umpamanya, dengan regresi pendugaan-pendugaan terhadap sesuatu performa dapat dilakukan, selama variabel-variabel penentu dapat ditentukan sebelumnya.Regresi berkaitan dengan ketergantungan stokastik, yang berarti memiliki peluang untuk meleset dari prediksi. Setiap pengambilan dugaan yang menggunakan regresi harus didasari dengan kesadaran bahwa hasil perkiraan tidak akan 100% sama dengan kenyataan (ketergantungan deterministik). Regresi Linier Sederhana Dimana variabel yang terlibat di dalamnya hanya dua, yaitu satu variabel terikat Y, dan satu variabel bebasserta berpangkat satu. Namum langkah awal sebelum keregresi maka harus dicari terlebih dahulu nilai a dan b: Kemudian disubtitusikan ke dalam rumus:

33

Bentuk persamaannya Y = a + bX X = Variabel bebas Y = variabel terikat


2.9

Fungsi penyajian data: a. b. c. Menunjukkan perkembangan suatu keadaan. Mengadakan perbandingan pada suatu waktu. Data lebih cepat dibaca atau dimengerti serta mudah ditafsirkan,

baik oleh peneliti, orang yang mengerti matematika (statistika) maupun orang awam sekalipun yang tidak memahami statistika.
d.

Untuk menyajikan data mentah yang diperoleh dari populasi atau

sampel menjadi data yang tertata dengan baik, sehingga bermakna informasi bagi pengambilan keputusan manajerial.

34

BAB III PENUTUP

3.1 Kesimpulan 1. Penyajian data dalam grafik adalah suatu penyajian data secara visual.
2. Modifikasi bentuk penyajian data dengan grafik ini beraneka ragam

antara lain:

Diagram Batang, Diagram Batang, Diagram

Lingkaran, Grafik Peta, Diagram area atau diagram daerah.

3. .Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok data yang disusun menurut besar kecilnya nilai. Dengan perkataan lain,ia mempunyai kecenderungan memusat, sehingga sering disebut ukuran kecenderungan memusat (measures of central tendency). 4. Deskripsi dan jenis dari ukuran pemusatan antara lain: Rata-rata, Modus, Ukuran kemencengan kurva, Ukuran keruncingan kurva, Ratarata simpangan, Jarak, Koefisien variasi, Simpangan baku.
5. Korelasi merupakan hubungan antara dua variabel atau lebih. Dimana

hubungan antara dua variabel itu dikenal dengan istilah bivariate correlation, sedangkan hubungan antar lebih dari dua variabel disebut

35

multivariate correlation. Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dan variabel(-variabel) yang lain.
6. Jenis koefisien korelasi sederhana : Rumus Koefisien Korelasi

Kontingensi (C), Koefisien Korelasi Lambda ( ), Koefisien Korelasi Phi (), Koefisien Korelasi Theta (), Koefisien Korelasi Eta ( ), Koefesien Korelasi Point Biserial (rpbi), Koefisiensi Korelasi Gamma ( ) , Koefisien Korelasi Spearman (rs), Koefisien Korelasi Jaspens (M), Koefisien Korelasi Pearson (r).

7. Fungsi penyajian data:

33 o Menunjukkan perkembangan suatu keadaan. o Mengadakan perbandingan pada suatu waktu. o Data lebih cepat dibaca atau dimengerti serta mudah ditafsirkan, baik oleh peneliti, orang yang mengerti matematika (statistika) maupun orang awam sekalipun yang tidak memahami statistika.
o

Untuk menyajikan data mentah yang diperoleh dari populasi atau sampel menjadi data yang tertata dengan baik, sehingga bermakna informasi bagi pengambilan keputusan manajerial.

3.2 Saran Diharapkan mahasiswa lebih aktif dalam mencari refrensi dan tidak berasal dari internet karena kuantitas dan kualitas dari data tidak semua valid.

36

DAFTAR PUSTAKA

Dr.Ir. Kemas,M.S.2006.Dasar- dasar Statitiska.Jakarta:PT Raja Grafindo Persada.

Sudijono, Anas. 2004. Pengantar Statistik Pendidikan.Jakarta: Raja Grafindo Persada.


Prof.DR. Sudjana,M.A.,M.Sc.1996.Metoda Statistika.Bandung:Tarsito. Supranto.2000.Statistika dan Aplikasi.Jakarta:Erlangga DR.Sugiono.2001.Statistika Nonparametris.Bandung:ALFABETA. Walpole E Ronald.Pengantar Statistika.Jakarta:PT Gramedia Putaka utama. www.Statistika.com. (22 November 2009)(11:10)

You might also like