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.

Sumbu datar dibagi menjadi beberapa skala bagian yang sama dan sumbu tegak juga dibagi menjadi beberapa skala bagian yang sama. 2.1 Definisi penyajian data dalam grafik Penyajian dalam bentuk grafik adalah suatu penyajian data secara visual. Diagram Batang Untuk menggambar diagram batang kita memerlukan sumbu datar dan sumbu tegak yang saling tegak lurus. Tabel 3 BANYAK ORANG DI DAERAH X YANG MENJAGOKAN SALAH SATU NEGARA PESERTA WORLD CUP 2002 MENJADI JUARA 3 . atau diagram. Skala pada sumbu datar tidak harus sama dengan skala pada sumbu tegak. Sumbu datar biasanya menyatakan nilai dan sumbu tegak menyatakan frekuensi.2 Penyajian data dalam grafik. Untuk lebih jelasnya. Modifikasi bentuk penyajian data dengan grafik ini beraneka ragam antara lain sebagai berikut : a. gambar.4 BAB II PEMBAHASAN 2. Penyajian hasil penelitian kuantitatif yang sering menggunakan bentuk tabel atau grafik Penyajian data secara visual dilakukan melalui bentuk grafik. coba kamu perhatikan contoh berikut.

seperti yang nampak pada Gambar 2 berikut.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 .

Misalkan data tersebut adalah kasus malaria. DBD dan Frambusia di kabupaten Wetan tahun 1997.6 b. yang Menjagokan Salah SatuKAB WETAN TAHUN 1997 Peserta World Cup 2002 Menjadi Juara FEB MAR APR MEI JUN c. seperti berikut: 150 100 50 0 JAN Banyak Orang DBD DAN FRAMBUSIA DI Negara KASUS MALARIA. Diagram Garis Jika kita mempunyai data yang keadaannya kontinu atau berkesinambungan. 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 . Diagram Lingkaran Perhatikan kembali Tabel 3 di atas. Kita akan meyajikan data-data yang terdapat pada tabel Arg tersebut dalam bentuk diagram lingkaran. maka sebaiknya kita dapat menyajikan dalam bentuk diagram garis.

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

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

Rata-rata.3 Definisi ukuran pemusatan. sehingga sering disebut ukuran kecenderungan memusat (measures of central tendency).1 Perhatikan tabel berikut. DBD DAN FRAMBUSIA DI KAB WETAN TAHUN 1997 2. 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). Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok data yang disusun menurut besar kecilnya nilai. Contoh 3. 2.9 Grafik garis tunggal (single line chart) adalah grafik yang terdiri dari satu garis untuk menggambarkan perkembangan (trend) dari suatu karakeristik. Dengan perkataan lain. sehingga sering disebut ukuran kecenderungan memusat (measures of central tendency). 100 50 0 JAN FEB MAR APR MEI JUN DBD MALARIA FRAMBUSIA KASUS MALARIA.ia mempunyai kecenderungan memusat. Dengan perkataan lain.ia mempunyai kecenderungan memusat. Beberapa jenis rata-rata yang sering dipergunakan ialah rata-rata hitung (arithmetic mean atau sering disingkat mean saja).rata-rata ukur (geometric .4 Deskripsi dan jenis dari ukuran pemusatan 1.yang berisi data penjualan hipotesis Harapan Kita selama tujuh tahun.

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

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

masing. … dengan nilai rata-rata masing.i a. n2.12 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. Rata-rata Harmonik Rata-rata harmonik biasanya digunakan untuk merata-ratakan kecepatan beberapa jarak tempuh atau mencari harga rata-rata suatu komoditi tertentu. n3. Rata-rata Gabungan Jika kita mempunyai data n1. . b.

potong) dengan garis horizontal. Rata-rata Ukur (geometrik) Digunakan jika perbandingan dua data berturutan tetap atau hampir tetap. kemudian hitung panjang kelas dengan frekuensi tertinggi itu. Nilai modus adalah perpotongan antara garis vertikal hasil pertemuan antara sudut kelas berfrekuensi tertinggi dengan frekuensi sebelum dan sesudah frekuensi tertinggi (garis terpotong. pertama kali carilah kelas yang mempunyai frekuensi paling tinggi. 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 3.13 c. 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 . Secara geometris nilai modus didasarkan pada grafik histogram. Selanjutnya jika kelas dengan frekuensi paling tinggi sudah deketahui lalu tentukan batas bawah kelas yang mempunyai frekuensi tertinggi tersebut. 2.

4 2 2    . Untuk data tidak berkelompok 0 6 -1 9  2 Md =6 .5 + 3  e 0 1 2  1     =7 . sehingga : L0 = 60. kuartil kedua (Q2) atau kuartil tengah. dan kuartil ketiga (Q3) atau kuartil atas.5 F = 19 f = 12 4. yaitu pada interval 61-73. Kuartil Kelompok data yang sudah diurutkan (membesar atau mengecil) dibagi empat bagian yang sama besar.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. Ada 3 jenis yaitu kuartil pertama (Q1) atau kuartil bawah.

15 Q i = nilai ke - i( n +1) .2. i =1.2 Q i =L 0 +c 4 1 .3 4 Untuk data berkelompok  in  -F  .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 . i = .

.5 + 3  4 3 1 2 3       =72. maka : 5. 9 10 ..42       =8 .41 1    Untuk Q3..6 3 0 -3 1  Q 3 =7 .. maka : .5 + 3  4 7 1 8       =5 4    Untuk Q2.16 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. Untuk data tidak berkelompok D i = nilai ke i( n +1) .6 1 0 -1 1  Q1 =4 .3.19  4 Q 2 =60 +13  .6 . maka : 0  2.5 12    . Desil Kelompok data yang sudah diurutkan (membesar atau mengecil) dibagi sepuluh bagian yang sama besar. i =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 ..17 Untuk data berkelompok  in  -F  1 0 ... D i =L 0 +c 1 .2 .. i = .

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

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

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

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

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

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

Pada Besaran Indeks Korelasi. Informasi ini bukan sekedar proporsi. kuat lemah. arah korelasi dapat di bedakan menjadi dua. serta apabila angka indek korelasi sama dengan 0. 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. Koefisien Korelasi Untuk mengetahui tinggi rendah. Pembahasan bagaimana korelasi dikatakan positif atau negatif akan dilanjutkan pada bagian berikutnya.00. korelasi bisa diambil dari contoh 2 proporsi sebagai berikut. yakni bersifat satu . Besaran korelasi berkisar antara 0 sampai dengan ± 1. Hal ini memberi informasi bahwa koin bernilai 10 sen lebih sering muncul dalam warna yang keabuan dibandingkan kuning. maka hal ini menunjukkan tidak ada korelasi. yang diberi simbol dengan ρ (baca Rho.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. Contoh ini merupakan suatu korelasi positif antara kriteria(properti) nilai 10 sen dengan kriteria (properti) warna keabuan. tetapi terdapat korelasi di dalamnya. sedangkan apabila angka indek korelasi bertanda minus (–). 1. makna tanda plus minus (±). untuk populasi) atau r (untuk sampel). atau antara + 1 dan – 1). atau besar kecilnya suatu korelasi adalah dengan melihat besar kecilnya besaran angka (koefisien) yang disebut angka indeks korelasi atau coeffisien of correlation. Secara umum. Kedua proporsi tadi telah membandingkan proporsi koin bernilai 10 sen yang berwarna kuning dan keabuan yang ada dalam kotak. maka korelasi tersebut negatif dan arah korelasi berlawanan arah. terdapat sekitar 60% koin berwarna keabuan yang bernilai 10 sen dan terdapat sekitar 35% koin berwarna kuning yang bernilai 10 sen.00 (artinya paling tinggi dan paling rendah ± 1. 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. Jadi. dan bukan sebagai tanda aljabar.

yakni: 1) hubungan variabel nominal dengan variabel nominal. 4) hubungan variabel ordinal dengan variabel ordinal. paling tidak ada enam model hubungan antar dua atau lebih variabel yang dapat kita identifikasi sesuai dengan jenis variabelnya. Contoh hubungan yang satu arah: Kenaikan biaya promosi diikuti oleh kenaikan omzet penjualan suatu produk. 2) hubungan variabel nominal dengan variabel ordinal. 3) hubungan variabel nominal dengan dengan variabel interval. Berikut ini disajikan kelaziman penggunaan analisis hubungan dengan menggunakan model analisis yang benar. Istilah yang dinamakan dengan ukuran korelasi dikenal dalam analisis korelasi. 5) hubungan variabel ordinal dengan variabel interval. Contoh hubungan antar dua variabel yang berlawanan arah adalah: meningkatnya harga suatu produk tertentu diikuti oleh penurunan permintaan masyarakat terhadap produk tersebut. Ukuran korelasi (measures of correlation) ini dapat dilihat dengan rumus-rumus tertentu yang digunakan. 6) hubungan variabel interval (ratio) dengan variabel interval (ratio). dimana penggunaan rumus-rumus tersebut disesuaikan menurut jenis variabel-variabel yang yang akan diukur korelasinya. . Dalam hal ini.25 arah dan yang sifatnya berlawanan arah.

.9 <-0. Namun untuk mengetahui adanya ketergantungan antara peubah acak harus dipertimbangkan pula kopula antara keduanya. misalnya dalam fungsi distribusi kumulatif pada distribusi normal multivariat.4 0 <+0.Untuk mendapatkan suatu pengukuran mengenai dependensi data (juga nonlinier). 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.Korelasi tinggi Tinggi rendah Rendah Tanpa korelasi Tak ada korelasi (acak) Tanpa korelasi Rendah Rendah tinggi Korelasi tinggi -1 <-0.9 +1 26 Koefisien korelasi non-parametrik Koefisien korelasi Pearson merupakan statistik parametrik.4 >-0.Metode pengukuran yang lain untuk mengetahui dependensi antara dua peubah acak.4 <+0.4 >+0. namun cenderung memberikan hasil distrosi ketika asumsi tersebut tak terpenuhi. Koefisien korelasi dapat didefinisikan sebagai struktur ketergantungan hanya pada beberapa kasus. Metode korelasi non-parametrik seperti ρ Spearman and τ Kendall berguna ketika distribusi tidak normal. dan ia kurang begitu menggambarkan korelasi bila asumsi dasar normalitas suatu data dilanggar. Koefisien korelasi nonparametrik masih kurang kuat bila dibandingkan dengan metode parametrik jika asumsi normalitas data terpenuhi.9 >0. dapat digunakan rasio korelasi.9 >-0.

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

Dimana. Koefisien Korelasi Phi (ф) Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel nominal. Lambda simetris. Rumus Koefisien Korelasi Kontingensi (C) Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel nominal. 1.28 Jenis koefisien korelasi sederhana : 1. tidak mempersoal variabel mana yang dijadikan variabel bebas. Lambda Asimetris. Koefisien Korelasi Lambda (λ ) Digunakan pada korelasi sederhana untuk variabel nominal dengan nominal. jika dirumuskan: . 2. 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. C N = koefisiensi kontingensi = kai kuadrat = Jumlah data 2.

Koefisien Korelasi Eta (η ) Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel interval/rasio. hasil perkaliannya dijumlahkan 5. dapat dirumuskan menjadi: . =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. Koefisiensi Korelasi Gamma (γ ) Digunakan pada korelasi sederhana untuk variabel ordinal dengan varibel ordinal. 7.29 4. 6. Koefesien Korelasi Point Biserial (rpbi) Digunakan pada analisis korelasi sederhana untuk variabel nominal dengan variabel interval/rasio yang bersifat dikotomi. sehingga dapat dirumuskan. Koefisien Korelasi Theta (Ѳ) Digunakan untuk korelasi sederhana untuk variabel nominal dengan variabel ordinal.

Dirumuskan dengan: 10. dirumuskan dalam: 9. Koefisien Korelasi Pearson (r) Digunakan pada analisis korelasi antara interval dengan interval. Dapa dirumuskan dalam: 2. juga dapat dipergunakan untuk maksud-maksud peramalan.Dengan menggunakan n pengamatan untuk suatu model linier sederhana: . Koefisien Korelasi Jaspen’s (M) Digunakan pada analisis korelasi sederhana untuk variabel ordinal dengan variabel interval atau rasio. Regresi Analisis regresi merupakan salah satu teknik statistik yang digunakan secara luas dalam ilmu pengetahuan terapan. Koefisien Korelasi Spearman (rs) Digunakan pada analisis korelasi sederhana untuk variabel ordinal dengan variabel ordinal.30 8. Regresi di samping digunakan untuk mengetahui bentuk hubungan antar peubah regresi.

variabel terikat. Hampir semua bidang ilmu yang memerlukan analisis sebab-akibat boleh dipastikan mengenal analisis ini. namun variabel yang dipengaruhi harus selalu variabel acak. variabel dependen. atau sumbu X).. variabel X (karena seringkali digambarkan dalam grafik sebagai absis.Analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya. atau secara bebas.s2).. variabel independen.Asumsi-asumsi menspesifikasikan bentuk sebarannya.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 (0.31 Y = b + b X +e 0 1 (1) dengan Yi adalah peubah tidak bebas Xi adalah peubah bebas dengan i = 1.2. penyimpangan terhadap asumsi-asumsi itu sering terjadi dan terkadang peubah acak yang diamati tidak dapat dianggap menyebar normal. Variabel "penyebab" disebut dengan bermacammacam istilah: variabel penjelas..Dalam praktek. variabel eksplanatorik. Dengan pemenuhan terhadap asumsi kenormalan dapat digunakan regresi parametrik untuk mengetahui bentuk hubungan antar peubah regresi pada data contoh yang diamati. . atau variabel Y..Salah satu analisis alternatif lain yang dapat digunakan adalah dengan regresi nonparametric karena dalam regresi nonparametrik tidak diperlukan pemenuhan asumsi kenormalan. Dalam statistika parametrik. Kedua variabel ini dapat merupakan variabel acak (random). teknik-teknik yang digunakan berhubungan dengan pendugaan parameter serta pengujian hipotesis yang yang berhubungan digunakan dengan pada parameter umumnya parameternya. Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi.Dari segi statistika persoalan tersebut harus dapat diselesaikan dengan menggunakan teknik statistika. Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dan variabel(variabel) yang lain.

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

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

5. Penyajian data dalam grafik adalah suatu penyajian data secara visual. Modus.ia mempunyai kecenderungan memusat. Diagram Lingkaran. 2. sedangkan hubungan antar lebih dari dua variabel disebut . Dengan perkataan lain. Modifikasi bentuk penyajian data dengan grafik ini beraneka ragam antara lain: Diagram Batang. Grafik Peta. 4. Jarak. Ratarata simpangan. Deskripsi dan jenis dari ukuran pemusatan antara lain: Rata-rata. Simpangan baku. Korelasi merupakan hubungan antara dua variabel atau lebih. Ukuran keruncingan kurva. Ukuran kemencengan kurva. Dimana hubungan antara dua variabel itu dikenal dengan istilah bivariate correlation.34 BAB III PENUTUP 3.1 Kesimpulan 1.Nilai rata-rata umumnya cenderung terletak di tengah suatu kelompok data yang disusun menurut besar kecilnya nilai. 3. Koefisien variasi. Diagram area atau diagram daerah. . sehingga sering disebut ukuran kecenderungan memusat (measures of central tendency). Diagram Batang.

orang yang mengerti matematika (statistika) maupun orang awam sekalipun yang tidak memahami statistika. o Mengadakan perbandingan pada suatu waktu. Regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dan variabel(-variabel) yang lain. 6.35 multivariate correlation. Fungsi penyajian data: 33 o Menunjukkan perkembangan suatu keadaan. baik oleh peneliti. o Untuk menyajikan data mentah yang diperoleh dari populasi atau sampel menjadi data yang tertata dengan baik. 3. Koefisien Korelasi Lambda (λ ). Koefesien Korelasi Point Biserial (rpbi). Koefisien Korelasi Eta (η ). Koefisiensi Korelasi Gamma (γ ) . 7. Koefisien Korelasi Spearman (rs). Koefisien Korelasi Jaspen’s (M).2 Saran Diharapkan mahasiswa lebih aktif dalam mencari refrensi dan tidak berasal dari internet karena kuantitas dan kualitas dari data tidak semua valid. sehingga bermakna informasi bagi pengambilan keputusan manajerial. Jenis koefisien korelasi sederhana : Rumus Koefisien Korelasi Kontingensi (C). Koefisien Korelasi Theta (Ѳ). Koefisien Korelasi Phi (ф). Koefisien Korelasi Pearson (r). . o Data lebih cepat dibaca atau dimengerti serta mudah ditafsirkan.

2004. Sudjana.Jakarta: Raja Grafindo Persada.S.2001.Bandung:Tarsito. Sudijono.Statistika Nonparametris.Statistika. Pengantar Statistik Pendidikan. Supranto.A.Jakarta:PT Gramedia Putaka utama.Bandung:ALFABETA.Dasar.Jakarta:Erlangga DR.Jakarta:PT Raja Grafindo Persada. (22 November 2009)(11:10) .Sc.2000.1996. Walpole E Ronald.36 DAFTAR PUSTAKA Dr.DR.Ir.Metoda Statistika. Kemas.M.Pengantar Statistika..Statistika dan Aplikasi. Prof.M.com.2006. www.M.dasar Statitiska.Sugiono. Anas.

Sign up to vote on this title
UsefulNot useful