Please enable JavaScript.
Coggle requires JavaScript to display documents.
KONSEP UJI KORELASI & REGRESI SEDERHANA, PUTRI ANNISA 2310713105 -…
KONSEP UJI KORELASI & REGRESI SEDERHANA
Korelasi
Hubungan antara dua variabel numerik
Asumsi
Pola hubungan linier (garis lurus)
Asumsi dua variabel numerik mengikuti distribusi normal (bivariate normal)
Subjek penelitian dipilih secara acak (random)
Variasi kedua variabel homogen (homoscedastic)
Simbol r
Contoh
Apakah ada hubungan antara berat badan bayi saat lahir dengan lingkar lengan atas bayi (LILA)?
Apakah hubungan berat badan dan tekanan darah mempunyai derajat yang kuat atau lemah, apakah kedua variabel tersebut berpola positif atau negatif?
Tujuan
Mengukur adanya/derajat/kuatnya/arah hubungan antara dua variabel
Scatter Plot
untuk melihat secara visual hubungan 2 variabel
Sebelum menghitung koefisien korelasi
Periksa terlebih dahulu pola hubungan diantara kedua variabel
Gunakan scatter plot
Bila tidak linier maka besarnya koefisien korelasi Pearson (r) akan memberikan interpretasi yang salah
Bila pola hubungan cenderung linier (garis lurus) hitung Koefisien Korelasi Pearson Product Moment (r)
Statistik Parametrik
Pearson’s correlation coefficient
Statistik Nonparametrik
Spearman’s (rank) rho dan Kendall’s tau-b correlation coefficient
Spearman’ rho atau Kendall’s tau-b mengukur hubungan antara dua variabel kualitatif atau kuantitatif yang tidak berdistribusi normal (skewed) dan atau adanya pencilan
Besar nilai r sangat berpengaruh terhadap pencilan (outliers)
Colton (1974) mengelompokan nilai r sbb:
r = 0,00 – 0,25 tidak ada hubungan / lemah
r = 0,51 – 0,75 hubungan kuat
r = 0,76 – 1,00 hubungan sangat kuat
r = 0,26 – 0,50 hubungan sedang
Koefisien Korelasi Pearson
Uji Hipotesis
Ho : ρ=0
Ha : ρ≠0
Standar error nilai r
Uji Statistik nilai r
Regresi Linier
Suatu model matematis yang dapat digunakan untuk mengetahui bentuk hubungan antara dua atau lebih variabel
Tujuan
Membuat perkiraan (prediksi) nilai suatu variabel (var.dependen) melalui variabel yang lain (var.indepen)
Contoh
Ingin menghubungkan berat badan dan tekanan darah. Dengan regresi linier-> memperkirakan besarnya nilai tekanan darah bila diketahui data berat badan
Aasumsi pada regresi linier
Nilai mean dari Y adalah fungsi garis lurus (linierity) dari X -> Yi = a + b1Xi + E
Nilai Y terdistribusi secara normal untuk setiap nilai X (normality)
Varian Y adalah sama untuk setiap nilai X (homoscedasticity)
Nilai X dan Y adalah tidak saling berkait (independency)
Rumus
Koefisien Determinasi (R'2)
Berguna untuk mengetahui seberapa besar variasi variabel dependen (Y) dapat dijelaskan oleh variabel independen (X)
Seberapa jauh variabel independen (X) dapat memprediksi variabel dependen (Y)
Makin besar R square -> makin baik / makin tepat var. independen memprediksi var.dependen
Besarnya nilai R square antara 0 s/d 1 atau 0%-100%
PUTRI ANNISA 2310713105
