STATISTIKA TEKNIK LNK2016 CORRELATION & REGRESSION

CORRELATION &

REGRESSION

STATISTIKA TEKNIK LNK2016

!   Correlation is a statistical method used to determine whether a

relationship between variables exists.

!   Regression is a statistical method used to describe the nature of

the relationship between variables, that is, positive or negative, linear or nonlinear.

!   The purpose of this chapter is to answer these questions

statistically:

!   1. Are two or more variables related?

!   2. If so, what is the strength of the relationship? !   3. What type of relationship exists?

!   4. What kind of predictions can be made from the

KORELASI  

!   Korelasi  menyatakan  derajat  hubungan  antara  dua  

variabel  tanpa  memperhatikan  variabel  mana  yang   menjadi  peubah.  

!   Karena  itu  hubugan  korelasi  belum  dapat  dikatakan  

Analisis  korelasi  

q   Analisis  korelasi  bertujuan  untuk  mengukur  kekuatan  

asosiasi  (hubungan)  linear  antara  dua  variabel.    

q  VARIABLE  X  DAN  Y  BERKEDUDUKAN  SAMA,  BISA  

DITUKARKAN  X  BISA  MEMPENGARUHI    Y,  DAN   SEBALIKNYA  

q  Korelasi  tidak  menunjukkan  hubungan  fungsional  atau  

dengan  kata  lain,  analisis  korelasi  tidak  membedakan  antara   variabel  dependen  dengan  variabel  independen.    

!   correlation coefficient : a measure that REPRESENTS strength of the

relationship between or among the variables.

!   There are two types of relationships: !   simple and multiple.

!   In a simple relationship, there are two variables

!   —an independent variable, also called an explanatory variable or a predictor

variable, and

!   -- a dependent variable, also called a response variable.

!   A simple relationship analysis is called simple regression, and there is one

independent variable that is used to predict the dependent variable.

!   In a multiple relationship, called multiple regression, two or more independent

variables are used to predict one dependent variable. This type of study involves several variables.

!   Simple relationships can also be positive or negative.

!   A positive relationship exists when both variables increase or

decrease at the same time.

!   For instance, a person’s height and weight are related; and the

relationship is positive, since the taller a person is, generally, the more the person weighs.

!   In a negative relationship, as one variable increases, the

other variable decreases, and vice versa.

!   For example, if you measure the strength of people over 60 years of

age, you will find that as age increases, strength generally decreases. The word generally is used here because there are exceptions.

!   Some predictions are more accurate than others, due to

the strength of the relationship.

!   That is, the stronger the relationship is between

Scatter Plots and Correlation

The possibilities include a positive linear relationship, a

negative linear relationship, a curvilinear relationship, or no discernible relationship.

examples

POSITIVE RELATION-SHIP TEND TO LINEAR

E

xa

m

ple

2

NEGATIVE RELATION-SHIP TEND TO LINEAR

E

xa

m

ple

3

NO PATTERN NO SPECIFIC RELATIONSHIP

KOEFISIEN  KORELASI  

u 

Koefisien  Korelasi  

à

 ukuran  seberapa  kuat  

hubungan  antara  dua  variable  atau  lebih  

u 

Macam  Koefisien  Korelasi  

u 

Pearson  Product  Moment  (

Korelasi  

Pearson

)  :  (untuk  data  variable  berskala  

interval  atau  rasio)  

u 

Korelasi  

Spearman

/Korelasi  

Kendall

   :  untuk  

data  yg  diolah  dari  hasil  pengamatan/

berskala  nominan/ordinal  

STRONG POSITIF LINEAR RELATIONSHIP è 0 TO +1

NO LINEAR RELATIONSHIP è = 0

COEFFICIENT

CORRELATION

!   Dalam  analisis  regresi,  selain  mengukur  kekuatan  

hubungan  antara  dua  variabel  atau  lebih,  juga   menunjukkan  arah  hubungan  antara  variabel   dependen  dengan  variabel  independen.    

!   Variabel  dependen  diasumsikan  random/stokastik,  

yang  berarti  mempunyai  distribusi  probabilistik.    

!   Variabel  independen/bebas  diasumsikan  memiliki  

nilai  tetap  (dalam  pengambilan  sampel  yang   berulang)    

Interpretasi  Koefisien  

Korelasi  

q  Nilai  koefisien  korelasi  terletak  antara  -­‐1  dan  +1  

q  Semakin  besar  nilai  absolut  koefisien  korelasi,  maka  

semakin  kuat  hubungan  liniernya  

q  Semakin  lemah  kekuatan  hubungannya,  maka  nilai  

koef  korelasi  semakin  mendekati  nol  

q  Nilai  korelasi  positif  artinya  bila  satu  variable  

meningkat  nilainya,  maka  variable  lainnya  akan  ikut   meningkat  

q  Nilai  korelasi  negatif  artinya  bila  satu  variable  nilainya  

membesar,  maka  variable  lainnya  menurun.  

q  Koef  korelasi  pearson  hanya  ukuran  kuat  lemahnya  

hubungan.  Korelasi  0  belum  tentu  berarti  tidak  ada   hubungan  

TARAF SIGNIFIKANSI :

•  Adalah suatu formasi yang ditetapkan oleh peneliti/penulis.

•  Disimbolkan dengan : α

•  Disesuaikan dengan isu/topik kajian dan tuntutan akurasi data

•  Sesuai alasan pertimbangan yang rasional;

•  Untuk bidang eksakta/teknik α = 5% = 0,05

bILA  PROBAILITAS  <  α (< 5%) MAKA H0 DITOLAK

DAN HA diterima    

POSITIVE STRONG

NEGATIVE STRONG

POSITIVE WEAK

REGRESSION

!   If the value of the correlation coefficient is significant,

the next step is to determine the equation of the regression line, which is the data’s line of best fit.

!   (Note: Determining the regression line when r is not

significant and then making predictions using the regression line are meaningless.)

!   The purpose of the regression line is to enable the

researcher to see the trend and make predictions on the basis of the data.

•

 

Regresi

à

alat ukur yang juga digunakan untuk

mengukur ada atau tidaknya korelasi antar

variabelnya.

•

 

Istilah regresi itu sendiri berarti ramalan atau

taksiran.

•

 

Persamaan yang digunakan untuk mendapatkan garis

regresi pada data diagram pencar disebut

persamaan

regresi

.

•

 

Untuk menempatkan garis regresi pada data yang

diperoleh maka digunakan metode kuadrat terkecil,

sehingga bentuk persamaan regresi adalah sebagai

berikut: Y’ = a + b X

ANALISIS  REGRESI  

!   HAMPIR  SAMA  DENGAN  ANALISIS  KORELASI  

!   TUJUAN  :  MELIHAT  HUBUNGAN  SATU  ARAH  ANTAR  

VARIABLE  YANG  LEBIH  KHUSUS,  DIMANA  VARIABLE   X  BERFUNGSI  SBG  VARIABLE  BEBAS  (YANG  

MEMPENGARUHI)  DAN  VARIABLE  ADALAH   VARIABLE  TERIKAT  (YANG  DIPENGARUHI)  

!   X  à  VARIABLE  DEPENDEN,      Yà  INDEPENDEN   !   VARIABLE  X  DAN  Y  BERKEDUDUKAN  SAMA,  BISA  

DITUKARKAN  X  BISA  MEMPENGARUHI    Y,  DAN   SEBALIKNYA  

!   HUBUNGAN  (ATAU  PENGARUH)  DLM  ANALISIS  REGRESI  

DITUNJUKKAN  DALAM  BENTUK  GARIS  LURUS   (PLOTTING  DATA  VARIABEL)  

!   UNTUK  MEYAKINKAN  BAHWA  MODEL  PILIHAN  ADALAH  

LINIER,  TERLEBIH  DAHULU  BUAT  SCATTER  PLOT  (PLOT   HUB  X  DAN  Y  APAKAH  CENDERUNG  MEMBENTUK  GARIS   LURUS)  

!   ASUMSIKAN  KENORMALAN  (ERROR)-­‐  TANPA  UJI  

NORMALITAS,  KARENA  VARIABEL  X  BESARAN  YG   DITENTUKAN  (BUKAN  ACAK)  

!   MODEL  REGRESI  :  PERSAMAAN  :  Y’  =  a  +  b  X    

!   ARTINYA  SETIAP  SATU  NILAI  VARIABEL  X  ,  MAKA  NILAI  

VARIABEL  Y  DAPAT  DIPREDIKSI  MENGGUNAKAN   PERSAMAAN  TSB  

!   MODEL  PILIHAN  LINIER  TIDAK  MUTLAK.  BILA  SCATTER  

PLOT  TIDAK  MENUNJUKKAN  KECENDERUNGAN  LINIER,   MAKA  MODEL  DENGAN  POLA  LAIN  DAPAT  

!   HUBUNGAN  (ATAU  PENGARUH)  DLM  ANALISIS  REGRESI  

DITUNJUKKAN  DALAM  BENTUK  GARIS  LURUS   (PLOTTING  DATA  VARIABEL)  

!   UNTUK  MEYAKINKAN  BAHWA  MODEL  PILIHAN  ADALAH  

LINIER,  TERLEBIH  DAHULU  BUAT  SCATTER  PLOT  (PLOT   HUB  X  DAN  Y  APAKAH  CENDERUNG  MEMBENTUK  GARIS   LURUS)  

!   ASUMSIKAN  KENORMALAN  (ERROR)-­‐  TANPA  UJI  

NORMALITAS,  KARENA  VARIABEL  X  BESARAN  YG   DITENTUKAN  (BUKAN  ACAK)  

!   MODEL  REGRESI  :  PERSAMAAN  :  Y’  =  a  +  b  X    

!   ARTINYA  SETIAP  SATU  NILAI  VARIABEL  X  ,  MAKA  NILAI  

VARIABEL  Y  DAPAT  DIPREDIKSI  MENGGUNAKAN   PERSAMAAN  TSB  

!   MODEL  PILIHAN  LINIER  TIDAK  MUTLAK.  BILA  SCATTER  

PLOT  TIDAK  MENUNJUKKAN  KECENDERUNGAN  LINIER,   MAKA  MODEL  DENGAN  POLA  LAIN  DAPAT  

DARI PERSAMAAN REGRESI Y’ = a + b X

•  Nilai konstan (a) è nilai nol untuk variable observasi x (negatif or positif)

•  Bilai nilai x jauh dari 0 maka nilai tersebut hanya

merupakan ekstrapolasi (penaksiran diluar jangkauan)

•  Nilai (b) merupakan koefisien regresi, nilai tersebut menunjukkan kemiringan garis lurus yang ditemukan.

•  Makna nilai b, setiap x bertambah satu satuan,maka y akan bertambah menjadi b kali satuan pengukuran

•

 

Kesamaan di antara garis regresi dan garis trend tidak

dapat berakhir dengan persamaan garis lurus.

•

 

Garis regresi (seperti garis trend dan nilai tengah

aritmatika) memiliki dua sifat matematis berikut :

Σ

(Y – Y’) = 0 dan

Σ

(Y – Y’)2 = nilai terkecil atau

terendah.

•

 

Dengan perkataan lain, garis regresi akan

ditempatkan pada data dalam diagram sedemikian

rupa sehingga penyimpangan (perbedaan) positif

titik-titik terhadap titik-titik-titik-titik pencar di atas garis akan

mengimbangi penyimpangan negatif titik-titik pencar

yang terletak di bawah garis, sehingga hasil

penyimpangan keseluruhan titik-titik terhadap garis

lurus adalah nol.

KOEFISIEN  DETERMINASI  

(R

2

₎  

!   R2  è  PROPORSI  DARI  VARIAN  VARIABLE  

DEPENDEN,  BAHWA  VARIABLE  DEPENDEN  DAPAT   DIPERJELAS  OLEH  VARIABEL  INDEPENDEN  SEBESAR   NILAI  KOEFISIEN  DETERMINASI  TERSEBUT  

!   RUMUS  KOEF  KORELASI:  

KOEFISIEN DETERMINASI è R2 = _{R *}

SIFAT  SIFAT  KOEFISIEN  

DETERMINASI  

v  NILAI  R2  è  ANTARA  0  SAMPAI  DENGAN  1  

v  R2  =  0  à  VARIABEL  DEPENDEN  TIDAK  DAPAT  

DITAFSIRKAN  OLEH  VARIABLE  INDEPENDEN  

v  R2  =1  (100%)  è  VARIABEL  DEPENDEN  DAPAT  

DITAFSIRKAN  OLEH  VARIABEL  INDEPENDEN  SECARA   SEMPURNA  TANPA  ERROR  

v  UNTUK    0  <  R2  <  1  è  CONTOH  R2  =  0,6  =  60%,  ARTINYA  :  

VARIABEL  DEPENDEN  (Y)  DPT  DITAFSIR  ATAU  

DIJELASKAN  OLEH  VARIBBEL  X  SEBESAR  60%,  DAN  40%   LAINNYA  TIDAK  DAPAT  DIJELASKAN  OLEH  VARIABEL  X,   TAPI  DAPAT  DIJELASKAN  OLEH  VARIABLE  INDEPENDEN   LAIN  YANG  TIDAK  DIAMATI.  

CONTOH  

DATA  X  =  KUALITAS   PELAYANAN,     Y  =  VOLUME  PENJUALAN   PRODUK   TENTUKAN

A.  Nilai korelasi dan determinasi

B.  Persamaan Regresi Sederhana

!   Given a scatter plot, you must be able to draw the line of best fit. !   Best fit means that the sum of the squares of the vertical distances

from each point to the line is at a minimum.

!   The reason you need a line of best fit is that the values of y will be

predicted from the values of x; hence, the closer the points are to the line, the better the fit and the prediction will be.