P. 1
Makalah Penyajian Data Dalam Bentuk Grafik

Makalah Penyajian Data Dalam Bentuk Grafik

|Views: 6,852|Likes:
Published by ioqi

More info:

Published by: ioqi on Jul 15, 2011
Copyright:Attribution Non-commercial

Availability:

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

07/10/2014

pdf

text

original

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

2

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

3

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.

coba kamu perhatikan contoh berikut. 2. Untuk lebih jelasnya. gambar. Modifikasi bentuk penyajian data dengan grafik ini beraneka ragam antara lain sebagai berikut : a. Sumbu datar biasanya menyatakan nilai dan sumbu tegak menyatakan frekuensi. Sumbu datar dibagi menjadi beberapa skala bagian yang sama dan sumbu tegak juga dibagi menjadi beberapa skala bagian yang sama. Penyajian hasil penelitian kuantitatif yang sering menggunakan bentuk tabel atau grafik Penyajian data secara visual dilakukan melalui bentuk grafik.4 BAB II PEMBAHASAN 2. Diagram Batang Untuk menggambar diagram batang kita memerlukan sumbu datar dan sumbu tegak yang saling tegak lurus.2 Penyajian data dalam grafik. atau diagram. Tabel 3 BANYAK ORANG DI DAERAH X YANG MENJAGOKAN SALAH SATU NEGARA PESERTA WORLD CUP 2002 MENJADI JUARA 3 . Skala pada sumbu datar tidak harus sama dengan skala pada sumbu tegak.1 Definisi penyajian data dalam grafik Penyajian dalam bentuk grafik adalah suatu penyajian data secara visual.

5 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. 30 25 20 15 10 5 20 15 10 8 7 5 0 Argentina Brazil Denmark IItaa IInggris Jerman Prancis Spanyol Negara Peserta World Cup 2002 . seperti yang nampak pada Gambar 2 berikut.

Misalkan data tersebut adalah kasus malaria. Kita akan meyajikan data-data yang terdapat pada tabel Arg tersebut dalam bentuk diagram lingkaran. Diagram Garis Jika kita mempunyai data yang keadaannya kontinu atau berkesinambungan. yang Menjagokan Salah SatuKAB WETAN TAHUN 1997 Peserta World Cup 2002 Menjadi Juara FEB MAR APR MEI JUN c. maka sebaiknya kita dapat menyajikan dalam bentuk diagram garis.6 b. seperti berikut: 150 100 50 0 JAN Banyak Orang DBD DAN FRAMBUSIA DI Negara KASUS MALARIA. Diagram Lingkaran Perhatikan kembali Tabel 3 di atas. DBD dan Frambusia di kabupaten Wetan tahun 1997. 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 .

untuk melihat/menunjukkan lokasi .7 d. Grafik Peta. 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.

dan sebagainya. kilogram. c. diagram atau gambar data antara lain sebagai berikut : a. gambar atau skema harus jelas dan tepat. 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. diagram. Judul grafik. celcius.8 Ketentuan umum untuk membuat grafik. where. hari. f. dan when). Grafik Garis Tunggal . Judul terletak diatas tengah gambar atau grafik dan menggambarkan ciri data. Skala pada grafik atau gambar harus ada catatan tentang satuan yang dipakai misalnya tahun. tempat dan tahun data tersebut diperoleh (what. Garis horizontal maupun garis vertikal sebagai koordinat harus diatas agar garis kurva tampak jelas. b.

Dengan perkataan lain.yang berisi data penjualan hipotesis Harapan Kita selama tujuh tahun. Rata-rata. DBD DAN FRAMBUSIA DI KAB WETAN TAHUN 1997 2. Dengan perkataan lain. Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok data yang disusun menurut besar kecilnya nilai. Rata-rata (average) adalah nilai yang mewakili himpunan atau sekelompok data (a set of data). sehingga sering disebut ukuran kecenderungan memusat (measures of central tendency). Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok data yang disusun menurut besar kecilnya nilai.ia mempunyai kecenderungan memusat. Contoh 3.9 Grafik garis tunggal (single line chart) adalah grafik yang terdiri dari satu garis untuk menggambarkan perkembangan (trend) dari suatu karakeristik.1 Perhatikan tabel berikut.ia mempunyai kecenderungan memusat.rata-rata ukur (geometric . 100 50 0 JAN FEB MAR APR MEI JUN DBD MALARIA FRAMBUSIA KASUS MALARIA. Beberapa jenis rata-rata yang sering dipergunakan ialah rata-rata hitung (arithmetic mean atau sering disingkat mean saja).4 Deskripsi dan jenis dari ukuran pemusatan 1. sehingga sering disebut ukuran kecenderungan memusat (measures of central tendency). 2.3 Definisi ukuran pemusatan.

Rata-rata Hitung Kalau kita mempunyai nilai variable X.Xn maka : a) Rata-rata sebenarnya (populasi) . dan ketepatan penggunaannya sangat tergantung pada sifat dari data dan tujuannya (misalnya.….sebagai hasil pengamatan atau observasi sebanyak N kali yaitu X1.2 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. Setiap rata-rata tersebut selain mempunyai keunggulan juga memiliki kelemahan.Xb.…. dan rata-rata harmonis (harmonic mean).Rata-rata hitung.X2. Yang dimaksudkan di sini dengan ratarata ialah rata-rata hitung.sering digunakan sebagai dasar perbandingan antara dua kelompok nilai atau lebih. kecuali kalau ada keterangan atau penjelasan lain.untuk melakukan analisis).. a.10 mean). yang untuk selanjutnya kita singkat rata-rata.. 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.

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. Untuk mengisi kolom koding (kolom 4) di atas nilai nol dengan mengurangkan masing-masing dengan satu dari nilai kelas di bawahnya.Karena itu. b) Rata-rata perkiraan (sampel) Kalau rata-rata tersebut dihitung berdasarkan sampel sebanyak n di mana n<N observasi.atau rata-rata sampel.Rata-rata ini dihitung berdasarkan populasi.yang diberi simbol yang rumusnya adalah sebagai berikut : dibaca X bar.maka rata-rata yang diperoleh disebut rata-rata perkiraan.yaitu symbol rata-rata sebenarnya yang disebut parameter. Untuk menghitung ratarata dengan menggunakan metode koding.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). Langkah pertama meletakkan angka nol pada kelas sekehendak kita/sembarang. Tabel Hasil Koding .rata-rata sebenarnya sering juga disebut rata-rata populasi. adalah dengan melengkapi tabel di bawah ini.11 dibaca myu.

… dengan nilai rata-rata masing.masing. Rata-rata Gabungan Jika kita mempunyai data n1. b.i a. n2. n3. . Rata-rata Harmonik Rata-rata harmonik biasanya digunakan untuk merata-ratakan kecepatan beberapa jarak tempuh atau mencari harga rata-rata suatu komoditi tertentu.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.

13 c. 2. Modus Untuk mencari nilai modus dari sekelompok data yang sudah dibuat dalam tabel distribusi frekuensi. 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. Secara geometris nilai modus didasarkan pada grafik histogram. 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. Rata-rata Ukur (geometrik) Digunakan jika perbandingan dua data berturutan tetap atau hampir tetap. 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 . 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. kemudian hitung panjang kelas dengan frekuensi tertinggi itu.

yaitu pada interval 61-73.14 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 Σf = 60 Letak median ada pada data ke 30. dan kuartil ketiga (Q3) atau kuartil atas. sehingga : L0 = 60. Untuk data tidak berkelompok 0 6 -1 9  2 Md =6 . kuartil kedua (Q2) atau kuartil tengah.5 + 3  e 0 1 2  1     =7 .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.4 2 2    .

i =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 Σf = 60 Frekuensi .2.2 Q i =L 0 +c 4 1 .15 Q i = nilai ke - i( n +1) . i = .3 4 Untuk data berkelompok  in  -F  .

3.6 3 0 -3 1  Q 3 =7 . i =1..5 12    .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 Q1.42       =8 .2. 9 10 . maka : . Desil Kelompok data yang sudah diurutkan (membesar atau mengecil) dibagi sepuluh bagian yang sama besar.19  4 Q 2 =60 +13  .. maka : 0  2. Untuk data tidak berkelompok D i = nilai ke i( n +1) .5 + 3  4 3 1 2 3       =72..41 1    Untuk Q3.6 .6 1 0 -1 1  Q1 =4 . maka : 5.5 + 3  4 7 1 8       =5 4    Untuk Q2..

. D i =L 0 +c 1 ...2 .3  f      9 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 .. i = .17 Untuk data berkelompok  in  -F  1 0 .

.5 +1  0 3 3 2 3       =5 . i = ..8 5 8 7    D7    =7 .3 f       9 9 .6 7 0 -3 1  1 =7 .18 86 8799 Σf = 60 D3 membagi data 30% D7 membagi data 70% Sehingga : D3 berada pada 48-60 D7 berada pada 74-86 .7 9 2    6.6 3 0 -1 1  0 D 3 =4 . Persentil Untuk data tidak berkelompok Untuk data berkelompok  in  -F  10 0 ... Pi =L 0 +c 1 .5 + 3  1 7 1 8    .2 .

Ukuran variasi diperlukan karena ukuran ini memberikan informasi mengenai sebaran nilai pada data tersebut. ada yang lebih kecil dan ada juga yang nilainya lebih besar dari rata-rata. Pengukuran Dispersi Data Tidak Dikelompokkan: 1. Ada data yang tepat sama dengan nilai rata-rata.5 Definisi ukuran variasi/disperse.Variance untuk populasi rumusnya: Variance untuk sampel rumusnya: .19 2. Simpangan baku memiliki satuan yang sama seperti satuan data aslinya. Simpangan baku (standard deviation) Simpangan baku diperoleh dari akar dari ragam (variance). begitu pula dispersi juga terdapat antara data yang satu dengan yang lain. ukuran ini berasal dari pemikiran bahwa ada data yang berada “di sekitar” rata-rata. sehingga kelemahannya apabila membandingkan dua atau lebih data yang berbeda satuan maka pembandingan akan sulit dilakukan. Artinya bahwa antara tiap-tiap data dengan rata-rata terdapat jarak atau dispersi.6 • Deskripsi dan jenis dari ukuran variasi/dispersi. 2. Simbol untuk variance adalah σ2 atau sigma kuadrat. 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.Variance adalah rata-rata dan kuadrat dari selisih tiap-tiap data dengan mean-nya. Ukuran variasi atau dispersi.

variance sampel merupakan “unbiased estimate” bagi variance populasi. merupakan ukuran variasi yang paling sederhana dan mudah untuk dihitung. artinya nilai sampel hanya mendekati dan bukan nilai yang menggambarkan nilai sebenarnya pada populasi.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. Range merupakan ukuran yang kasar untuk n besar dan ukuran ini kurang sensitive. Perbedaan ini karena pada sampel hanya mengestimasi populasi. Dapat ditunjukan secara statistika matematis bahwa dengan pembagi (n-1). artinya bahwa informasi . 2. Rumusnya: Nilai jarak = X(n) – X1. Jarak (range) Nilai jarak (range). Pembagi pada sampel (n-1) disebut dengan derajat bebas (degree of freedom). Data diurutkan dahulu dari yang terkecil hingga terbesar kemudian dihitung selisih antara data terbesar dan data terkecil.

seperti namanya perhitungan ini dilakukan dengan cara merata-ratakan simpangan data. Range ini tidak selalu dapat menggambarkan keragaman data untuk n besar. Rata-rata simpangan (mean deviation). pengukuran ini bermula dari simpangan baku atau standard deviation yang mempunyai satuan yang sama dengan satuan data aslinya. Koefisien variasi untuk populasi: Koefisien variasi untuk sampel: . rumusnya: • Pengukuran Dispersi Data Dikelompokkan Nilai Jarak Untuk data berkelompok. yang bebas dari satuan data asli. 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 . hal ini merupakan kelemahan apabila kita ingin membandingkan dua atau lebih kelompok data yang satuannya berbeda. 3. Simpangan data adalah selisih tiap-tiap data dengan rata-ratanya.21 bisa menyesatkan apabila ada dua data yang memiliki kisaran sama tapi simpangan baku yang berbeda. Rata-rata simpangan. Agar dapat membandingkan dua atau lebih kelompok data dengan satuan yang berbeda maka digunakan Koefisien Variasi (KV). Rata-rata simpangan adalah ratarata hitung dari nilai absolute dari simpangan.

2. Contoh bivariate correlation adalah: Hubungan antara motivasi kerja dengan kinerja. Correlation artinya saling hubungan atau hubungan timbal balik. Dalam bahasa Inggris. Istilah itu biasa kita sebut dalam bahasa sehari-hari dengan sebutan Korelasi. Dalam teori probabilitas dan statistika. Variabel "penyebab" disebut dengan bermacam-macam istilah: variabel penjelas. adalah nilai yang menunjukkan kekuatan dan arah hubungan linier antara dua peubah acak (random variable). atau secara bebas. variabel terikat. juga disebut koefisien korelasi. atau bisa juga hubungan antara penggunaan pupuk dan luas lahan tanam dengan hasil produksi. di mana KV1 > KV2.22 Jika ada dua kelompok data dengan KV1 dan KV2. variabel eksplanatorik. namun variabel yang dipengaruhi harus . Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dan variabel(-variabel) yang lain.7 Definisi dari korelasi dan regresi. variabel X (karena seringkali digambarkan dalam grafik sebagai absis. Koefisien Variasi (KV). Sedangkan contoh multivariate correlation adalah: Hubungan antara motivasi kerja dan disiplin kerja dengan kinerja. maka kelompok data pertama lebih bervariasi atau lebih heterogen daripada kelompok data kedua. variabel independen. dapat juga digunakan untuk menentukan apakah kelompok data tersebut memiliki konsistensi atau tidak. Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi. sedangkan hubungan antar lebih dari dua variabel disebut multivariate correlation. korelasi. variabel dependen. atau sumbu X). Dimana hubungan antara dua variabel itu dikenal dengan istilah bivariate correlation. atau penggunaan pupuk dengan hasil produksi padi. Dan dalam ilmu statistika istilah korelasi diberi pengertian sebagai hubungan antara dua variabel atau lebih. Semakin besar KV maka semakin tidak konsisten. begitu pula sebaliknya semakin kecil KV semakin konsisten. Kedua variabel ini dapat merupakan variabel acak (random). atau variabel Y.

benilai 10 sen. Hampir semua bidang ilmu yang memerlukan analisis sebab-akibat boleh dipastikan mengenal analisis ini. Contoh proporsi lain yang melibatkan 2 kriteria ialah dari 100 koin terdapat 10 koin kuning yang bernilai 20 sen. Berdasarkan informasi itu. keabuan. 2) bila sudah ada hubungan. Lalu bagaimana . Sebagai contoh untuk mempermudah pemahaman mengenai propors. 2. Proporsi dan Korelasi Sebelum membahas lebih detil mengenai apakah itu korelasi. Misalnya. 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). untuk melihat besar kecilnya hubungan antar variable. kita akan mencoba memahami terlebih dahulu apa itu proporsi sebagai dasar kita dalam proses menelaah suatu korelasi. dari 100 koin dalam kotak terdapat 30 koin yang berwarna keabuan. yang bisa kita sebut proporsi ialah ketika kita menyatakan berapa persebaran jumlah suatu koin dengan kriteria tertentu (apakah kehi-jauan. atau bernilai 20 sen) dalam suatu kumpulan koin yang ada.23 selalu variabel acak. 3) untuk memperoleh kejelasan dan kepastian apakah hubungan tersebut berarti (meyakinkan/signifikan) atau tidak berarti(tidak meyakinkan).8 1. Analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya. Proporsi dapat diartikan suatu persentase (tingkat) dari suatu populasi yang memiliki properti (kriteria) tertentu. Korelasi Analisis korelasi dilakukan dengan tujuan antara lain: 1) untuk mencari bukti terdapat tidaknya hubungan (korelasi) antar variable. Deskripsi dan jenis dari ukuran korelasi dan regresi.

atau antara + 1 dan – 1). maka hal ini menunjukkan tidak ada korelasi. Informasi ini bukan sekedar proporsi. Hal ini memberi informasi bahwa koin bernilai 10 sen lebih sering muncul dalam warna yang keabuan dibandingkan kuning. Pembahasan bagaimana korelasi dikatakan positif atau negatif akan dilanjutkan pada bagian berikutnya. Koefisien Korelasi Untuk mengetahui tinggi rendah.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. serta apabila angka indek korelasi sama dengan 0. yang diberi simbol dengan ρ (baca Rho. Besaran korelasi berkisar antara 0 sampai dengan ± 1. atau besar kecilnya suatu korelasi adalah dengan melihat besar kecilnya besaran angka (koefisien) yang disebut angka indeks korelasi atau coeffisien of correlation. arah korelasi dapat di bedakan menjadi dua. korelasi bisa diambil dari contoh 2 proporsi sebagai berikut. tetapi terdapat korelasi di dalamnya.00. Apabila besaran indek korelasi bertanda plus ( + ) maka korelasi tersebut positif dan arah korelasi itu satu arah. atau tanda plus minus pada Besaran Indek Korelasi ini berfungsi hanya untuk menunjukkan arah hubungan. Secara umum. maka korelasi tersebut negatif dan arah korelasi berlawanan arah.00 (artinya paling tinggi dan paling rendah ± 1. yakni bersifat satu . 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. kuat lemah. dan bukan sebagai tanda aljabar. Contoh ini merupakan suatu korelasi positif antara kriteria(properti) nilai 10 sen dengan kriteria (properti) warna keabuan. makna tanda plus minus (±). Pada Besaran Indeks Korelasi. 1. sedangkan apabila angka indek korelasi bertanda minus (–). 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. untuk populasi) atau r (untuk sampel).

6) hubungan variabel interval (ratio) dengan variabel interval (ratio). yakni: 1) hubungan variabel nominal dengan variabel nominal. Istilah yang dinamakan dengan ukuran korelasi dikenal dalam analisis korelasi. paling tidak ada enam model hubungan antar dua atau lebih variabel yang dapat kita identifikasi sesuai dengan jenis variabelnya. 5) hubungan variabel ordinal dengan variabel interval. 4) hubungan variabel ordinal dengan variabel ordinal. Berikut ini disajikan kelaziman penggunaan analisis hubungan dengan menggunakan model analisis yang benar. Ukuran korelasi (measures of correlation) ini dapat dilihat dengan rumus-rumus tertentu yang digunakan. Dalam hal ini. 2) hubungan variabel nominal dengan variabel ordinal. . 3) hubungan variabel nominal dengan dengan variabel interval. dimana penggunaan rumus-rumus tersebut disesuaikan menurut jenis variabel-variabel yang yang akan diukur korelasinya.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.

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. dan ia kurang begitu menggambarkan korelasi bila asumsi dasar normalitas suatu data dilanggar.Korelasi tinggi Tinggi rendah Rendah Tanpa korelasi Tak ada korelasi (acak) Tanpa korelasi Rendah Rendah tinggi Korelasi tinggi -1 <-0. . misalnya dalam fungsi distribusi kumulatif pada distribusi normal multivariat.9 <-0. Namun untuk mengetahui adanya ketergantungan antara peubah acak harus dipertimbangkan pula kopula antara keduanya.Untuk mendapatkan suatu pengukuran mengenai dependensi data (juga nonlinier).9 >-0. Koefisien korelasi nonparametrik masih kurang kuat bila dibandingkan dengan metode parametrik jika asumsi normalitas data terpenuhi.4 0 <+0.Metode pengukuran yang lain untuk mengetahui dependensi antara dua peubah acak.9 >0.4 >-0.4 <+0. Metode korelasi non-parametrik seperti ρ Spearman and τ Kendall berguna ketika distribusi tidak normal.4 >+0. Koefisien korelasi dapat didefinisikan sebagai struktur ketergantungan hanya pada beberapa kasus.9 +1 26 Koefisien korelasi non-parametrik Koefisien korelasi Pearson merupakan statistik parametrik. dapat digunakan rasio korelasi. namun cenderung memberikan hasil distrosi ketika asumsi tersebut tak terpenuhi.

Point Biserial 1. Phi Theta 1.Interval/rasio .27 • Koefisien Korelasi Sederhana Koefisien yang digunakan untuk mengukur derajat hubungan dari dua variable VARIABEL I 1. Ordinal 6. 4. Gamma 2. Lambda 2. Nominal VARIABEL II Nominal KOEFISIEN KORELASI 1. Nominal Nominal Ordinal Ordinal Interval/Rasio Ordinal Interval/Rasio Interval/Rasio 3. Kontingensi 2. Spearman Jaspen’s (M) Jaspen’s (r) 5. 3. Eta 2.

tidak mempersoal variabel mana yang dijadikan variabel bebas. Koefisien Korelasi Lambda (λ ) Digunakan pada korelasi sederhana untuk variabel nominal dengan nominal. 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 3.28 Jenis koefisien korelasi sederhana : 1. jika dirumuskan: . Koefisien Korelasi Phi (ф) Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel nominal. 1. Dimana. Lambda Asimetris. 2. Rumus Koefisien Korelasi Kontingensi (C) Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel nominal. Lambda simetris. C N = koefisiensi kontingensi = kai kuadrat = Jumlah data 2.

Koefesien Korelasi Point Biserial (rpbi) Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel interval/rasio yang bersifat dikotomi. Koefisien Korelasi Eta (η ) Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel interval/rasio. 6. dapat dirumuskan menjadi: . Koefisiensi Korelasi Gamma (γ ) Digunakan pada korelasi sederhana untuk variabel ordinal dengan varibel ordinal. sehingga dapat dirumuskan. hasil perkaliannya dijumlahkan 5.29 4. Koefisien Korelasi Theta (Ѳ) Digunakan untuk korelasi sederhana untuk variabel nominal dengan variabel ordinal. 7. =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.

Regresi Analisis regresi merupakan salah satu teknik statistik yang digunakan secara luas dalam ilmu pengetahuan terapan. dirumuskan dalam: 9. Koefisien Korelasi Spearman (rs) Digunakan pada analisis korelasi sederhana untuk variabel ordinal dengan variabel ordinal. juga dapat dipergunakan untuk maksud-maksud peramalan. Dirumuskan dengan: 10.30 8.Dengan menggunakan n pengamatan untuk suatu model linier sederhana: . Regresi di samping digunakan untuk mengetahui bentuk hubungan antar peubah regresi. Koefisien Korelasi Pearson (r) Digunakan pada analisis korelasi antara interval dengan interval. Dapa dirumuskan dalam: 2. Koefisien Korelasi Jaspen’s (M) Digunakan pada analisis korelasi sederhana untuk variabel ordinal dengan variabel interval atau rasio.

s2). Kedua variabel ini dapat merupakan variabel acak (random). Dengan pemenuhan terhadap asumsi kenormalan dapat digunakan regresi parametrik untuk mengetahui bentuk hubungan antar peubah regresi pada data contoh yang diamati. namun variabel yang dipengaruhi harus selalu variabel acak. Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dan variabel(variabel) yang lain. Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi.Dalam praktek. variabel eksplanatorik.Salah satu analisis alternatif lain yang dapat digunakan adalah dengan regresi nonparametric karena dalam regresi nonparametrik tidak diperlukan pemenuhan asumsi kenormalan. variabel X (karena seringkali digambarkan dalam grafik sebagai absis.31 Y = b + b X +e 0 1 (1) dengan Yi adalah peubah tidak bebas Xi adalah peubah bebas dengan i = 1.Dari segi statistika persoalan tersebut harus dapat diselesaikan dengan menggunakan teknik statistika. Variabel "penyebab" disebut dengan bermacammacam istilah: variabel penjelas.. atau variabel Y. penyimpangan terhadap asumsi-asumsi itu sering terjadi dan terkadang peubah acak yang diamati tidak dapat dianggap menyebar normal. teknik-teknik yang digunakan berhubungan dengan pendugaan parameter serta pengujian hipotesis yang yang berhubungan digunakan dengan pada parameter umumnya parameternya. ... variabel dependen.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. Dalam statistika parametrik. atau sumbu X). variabel terikat.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. atau secara bebas.Asumsi-asumsi menspesifikasikan bentuk sebarannya.2.. variabel independen.

yaitu satu variabel terikat Y. yang menemukan bahwa meskipun ada kecenderungan bagi orang tua yang tinggi mempunyai anak yang tinggi dan orang tua yang pendek mempunyai anak yang pendek. Umpamanya. definisi regresi pada saat ini telah berbeda jauh dari pengertian awal tersebut. yang berarti memiliki peluang untuk meleset dari prediksi. 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.32 Istilah regresi diperkenalkan oleh Sir Francis Galton. distribusi tinggi populasi tidak berubah secara mencolok dari generasi ke generasi. dan satu variabel bebasserta berpangkat satu. • Regresi Linier Sederhana Dimana variabel yang terlibat di dalamnya hanya dua. 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. dengan regresi pendugaan-pendugaan terhadap sesuatu performa dapat dilakukan. Sesuai dengan perkembangan metodologi dan penerapannya. Namum langkah awal sebelum keregresi maka harus dicari terlebih dahulu nilai a dan b: Kemudian disubtitusikan ke dalam rumus: . Hukum regresi semesta (law of universal regression). selama variabel-variabel penentu dapat ditentukan sebelumnya. Setiap pengambilan dugaan yang menggunakan regresi harus didasari dengan kesadaran bahwa hasil perkiraan tidak akan 100% sama dengan kenyataan (ketergantungan deterministik).Regresi berkaitan dengan ketergantungan stokastik. yang bersifat biologis ini diperkuat oleh Karl Pearson.

c. sehingga bermakna informasi bagi pengambilan keputusan manajerial. Menunjukkan perkembangan suatu keadaan. Mengadakan perbandingan pada suatu waktu.33 Bentuk persamaannya Y = a + bX X = Variabel bebas Y = variabel terikat 2. orang yang mengerti matematika (statistika) maupun orang awam sekalipun yang tidak memahami statistika. b. d. baik oleh peneliti. . Data lebih cepat dibaca atau dimengerti serta mudah ditafsirkan.9 Fungsi penyajian data: a. Untuk menyajikan data mentah yang diperoleh dari populasi atau sampel menjadi data yang tertata dengan baik.

Jarak. 2. 4. Modus. Grafik Peta.34 BAB III PENUTUP 3. sehingga sering disebut ukuran kecenderungan memusat (measures of central tendency). Diagram Lingkaran. . 5. sedangkan hubungan antar lebih dari dua variabel disebut . Dengan perkataan lain. Korelasi merupakan hubungan antara dua variabel atau lebih.1 Kesimpulan 1. Penyajian data dalam grafik adalah suatu penyajian data secara visual. Dimana hubungan antara dua variabel itu dikenal dengan istilah bivariate correlation. Diagram Batang. Deskripsi dan jenis dari ukuran pemusatan antara lain: Rata-rata.ia mempunyai kecenderungan memusat. Simpangan baku. Ukuran keruncingan kurva. Ratarata simpangan. Koefisien variasi. Diagram area atau diagram daerah. Ukuran kemencengan kurva. 3. Modifikasi bentuk penyajian data dengan grafik ini beraneka ragam antara lain: Diagram Batang.Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok data yang disusun menurut besar kecilnya nilai.

o Data lebih cepat dibaca atau dimengerti serta mudah ditafsirkan. Koefesien Korelasi Point Biserial (rpbi). orang yang mengerti matematika (statistika) maupun orang awam sekalipun yang tidak memahami statistika. Jenis koefisien korelasi sederhana : Rumus Koefisien Korelasi Kontingensi (C). . Koefisien Korelasi Spearman (rs). Koefisiensi Korelasi Gamma (γ ) .35 multivariate correlation. Koefisien Korelasi Theta (Ѳ). sehingga bermakna informasi bagi pengambilan keputusan manajerial. Koefisien Korelasi Eta (η ). Koefisien Korelasi Phi (ф). Koefisien Korelasi Pearson (r).2 Saran Diharapkan mahasiswa lebih aktif dalam mencari refrensi dan tidak berasal dari internet karena kuantitas dan kualitas dari data tidak semua valid. o Untuk menyajikan data mentah yang diperoleh dari populasi atau sampel menjadi data yang tertata dengan baik. 6. o Mengadakan perbandingan pada suatu waktu. Koefisien Korelasi Jaspen’s (M). Koefisien Korelasi Lambda (λ ). Fungsi penyajian data: 33 o Menunjukkan perkembangan suatu keadaan. 3. 7. baik oleh peneliti. Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dan variabel(-variabel) yang lain.

Jakarta:Erlangga DR.M.dasar Statitiska.A. 2004.Statistika Nonparametris.Sugiono.Statistika dan Aplikasi.M.Dasar.S.Jakarta:PT Raja Grafindo Persada.1996.2001. Supranto. Sudijono.Jakarta:PT Gramedia Putaka utama.Bandung:Tarsito.DR.Metoda Statistika. Anas.2006.2000.Pengantar Statistika.Ir. Kemas.com. www.M.Bandung:ALFABETA. (22 November 2009)(11:10) . Walpole E Ronald.Sc. Sudjana.Statistika..Jakarta: Raja Grafindo Persada. Pengantar Statistik Pendidikan. Prof.36 DAFTAR PUSTAKA Dr.

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)//-->