REGRESSION VS CORRELATION
Regresi
dan korelasi keduanya sama-sama mempelajari hubungan antar variabel, tetapi ada
perbedaan di antara keduanya.
Regresi
adalah mempelajari bentuk hubungan antar variabel melalui suatu persamaan.
Persamaan yang digunakan untuk melihat hubungan antar variabel adalah Regresi
Linier Sederhana (RLS), Regresi Linier Berganda, dan Regresi non Linier.
Regresi bisa berupa hubungan sebab akibat. Regresi mengukur seberapa besar
suatu variabel mempengaruhi variabel yang lain, sehingga dapat digunakan untuk
melakukan peramalan nilai suatu variabel berdasarkan variabel lain. Tujuannya
untuk mengestimasi atau memprediksi rata-rata populasi atau nilai rata-rata
variabel dependen berdasarkan nilai variabel independen yang diketahui. Pusat
perhatian adalah pada upaya menjelaskan dan mengevaluasi hubungan antara suatu
variabel denagn satu atau lebih variabel independen. Hasil analisis regresi
adalah berupa koefisien regresi untuk masing-masing variable independent.
Koefisien ini diperoleh dengan cara memprediksi nilai variable dependen dengan
suatu persamaan. Koefisien regresi dihitung dengan dua tujuan sekaligus :
Pertama, meminimumkan penyimpangan antara nilai actual dan nilai estimasi
variable dependen; Kedua, mengoptimalkan korelasi antara nilai actual dan nilai
estimasi variable dependen berdasarkan data yang ada. Teknik estimasi variable
dependen yang melandasi analisis regresi disebut Ordinary Least Squares
(pangkat kuadrat terkecil biasa).
Korelasi
adalah mempelajari hubungan antar variabel, tetapi digunakan untuk melihat
seberapa erat hubungan antar dua variabel kuantitatif dilihat dari besarnya
angka dan buka dari tandanya. Dengan menggunakan korelasi, dapat mengetahui
arah hubungan yang terjadi dalam dua variabel. Jika korelasi bertanda positif
artinya berbanding lurus dan jika bertanda negatif maka berbanding terbalik.
Korelasi tidak bisa menyatakan hubungan sebab akibat meskipun angka korelasinya
tinggi. Tingkat hubungan tersebut dapat dibagi menjadi tiga kriteria, yaitu
mempunyai hubungan positif, mempunyai hubungan negatif dan tidak mempunyai
hubungan.
Analisis
Regresi Sederhana yaitu digunakan untuk mengetahui pengaruh dari variabel bebas
terhadap variabel terkait atau denagn kata lain untuk mengetahui seberapa jauh
perubahan variabel bebas dalam mempengaruhi variabel terkait. Dalam Analisis
Regresi Sederhana, pengaruh satu variabel bebas terhadapvariabel terkait dapat
d buat persamaan sebagai berikut : Y = a + bX
Keterangan
:
Y
: variabel terkait (dependent variable)
X
: variabel bebas (independent variable)
a:
konstanta
b:
koefisien regresi
Untuk
mencari persamaan garis regresi dapt digunakan berbagai pendekatan (rumus),
sehingga nilai a konstanta dan nilai b koefisien regresi dapat dicari dengan
metode sebagai berikut :
a
= [(ΣY . ΣX2) – (ΣX . ΣXY)] / [(N . ΣX2) – (ΣX)2] atau a = (ΣY/N) – b (ΣX/N)
b = [N(ΣXY) – (ΣX . ΣY)] / [(N . ΣX2) – (ΣX)2]
b = [N(ΣXY) – (ΣX . ΣY)] / [(N . ΣX2) – (ΣX)2]
contoh
:
Sampel yang
diambil secara acak dari 5 mahasiswa, didapat data nilai Statistik dan
Matematika sebagai berikut :
Sampel
|
X (statistik)
|
Y (matematika)
|
XY
|
X2
|
Y2
|
1
|
2
|
3
|
6
|
4
|
9
|
2
|
5
|
4
|
20
|
25
|
16
|
3
|
3
|
4
|
12
|
9
|
16
|
4
|
7
|
8
|
56
|
49
|
64
|
5
|
8
|
9
|
72
|
64
|
81
|
Jumlah
|
25
|
28
|
166
|
151
|
186
|
r = [(N . ΣXY) –
(ΣX . ΣY)] / √{[(N . ΣX2) – (ΣX)2] . [(N . ΣY2) – (ΣY)2]}
r = [(5 . 166) – (25 . 28) / √{[(5 . 151) – (25)2] . [(5 . 186) – (28)2]} = 0,94
Nilai koefisien korelasi sebesar 0,94 atau 94 % menggambarkan bahwa antara nilai statistik dan matematika mempunyai hubungan positif dan hubungannya erat, yaitu jika mahasiswa mempunyai nilai statistiknya baik maka nilai matematikanya juga akan baik dan sebaliknya jika nilai statistik jelek maka nilai matematikanya juga jelek.
r = [(5 . 166) – (25 . 28) / √{[(5 . 151) – (25)2] . [(5 . 186) – (28)2]} = 0,94
Nilai koefisien korelasi sebesar 0,94 atau 94 % menggambarkan bahwa antara nilai statistik dan matematika mempunyai hubungan positif dan hubungannya erat, yaitu jika mahasiswa mempunyai nilai statistiknya baik maka nilai matematikanya juga akan baik dan sebaliknya jika nilai statistik jelek maka nilai matematikanya juga jelek.
Tidak ada komentar:
Posting Komentar