KORELASI PEARSON
Analisis korelasi adalah teknik analisis yang digunakan untuk
mengukur kuat lemahnya hubungan dua variabel. Variabel ini terdiri dari
variabel bebas dan tergantung. Besarnya hubungan berkisar antara 0-1.
Jika mendekati angka 1 berarti hubungan kedua variabel semakin kuat,
demikian juga sebaliknya jika mendekati angka 0 berarti hubungan kedua
variabel semakin lemah. Teknik korelasi dalam SPSS dibagi menjadi 3
yaitu : bivariate, parsial dan distance.
Korelasi pearson digunakan untuk mengetahui ada tidaknya hubungan antara 2 variabel, yaitu variabel bebas dan variabel tergantung yang berskala interval atau rasio (parametrik) yang dalam SPSS disebut scale. Asumsi dalam korelasi Pearson, data harus berdistribusi normal. Korelasi dapat menghasilkan angka positif (+) dan negatif (-). Jika angka korelasi positif berarti hubungan bersifat searah. Searah artinya jika variabel bebas besar, variabel tergantung semakin besar. Jika menghasilkan angka negatif berarti hubungan bersifat tidak searah. Tidak searah artinya jika nilai variabel bebas besar, variabel tergantung semakin kecil. angka korelasi berkisar antara 0-1.
Rumus korelasi pearson :
Dimana :
r = nilai korelasi
x = variabel x
y = variabel y
Kekuatan hubungan korelasi, menurut Jonathan Sarwono sebagai berikut :
- 0 : Tidak ada korelasi
- 0.00 - 0.25 : korelasi sangat lemah
- 0.25 - 0.50 : korelasi cukup
- 0.50 - 0.75 : korleasi kuat
- 0.75 - 0.99 : korelasi sangat kuat
- 1 : korelasi sempurna
http://www.statistikolahdata.com/2010/11/korelasi-pearson.html
Least Square
Error (LSE) merupakan suatu metode yang digunakan untuk menemukan
estimasi parameter yang sesuai dengan fungsi. ... Metode ini bekerja
dengan menghitung total error pada setiap data contoh, error adalah
selisih antara nilai dari variabel terkait Y dengan nilai h(x) hasil
dari prediksi model.Oct 18, 2019
ANALISIS TREND (Materi X : Pengertian dan Metode Least Square)
Pengertian : Analisis trend merupakan suatu metode analisis yang ditujukan untuk melakukan suatu estimasi atau peramalan pada masa yang akan datang. Untuk melakukan peramalan dengan baik maka dibutuhkan berbagai macam informasi (data) yang cukup banyak dan diamati dalam periode waktu yang relatif cukup panjang, sehingga dari hasil analisis tersebut dapat diketahui sampai berapa besar fluktuasi yang terjadi dan faktor-faktor apa saja yang mempengaruhi terhadap perubahan tersebut. Secara teoristis, dalam analisis time series yang paling menentukan adalah kualitas atau keakuratan dari informasi atau data-data yang diperoleh serta waktu atau periode dari data-data tersebut dikumpulkan.Jika data yang dikumpulkan tersebut semakin banyak maka semakin baik pula estimasi atau peramalan yang diperoleh. Sebaliknya, jika data yang dikumpulkan semakin sedikit maka hasil estimasi atau peramalannya akan semakin jelek.
Metode Least Square : Metode yang digunakan untuk analisis time series adalah Metode Garis Linier Secara Bebas (Free Hand Method), Metode Setengah Rata-Rata (Semi Average Method), Metode Rata-Rata Bergerak (Moving Average Method) dan Metode Kuadrat Terkecil (Least Square Method). Dalam hal ini akan lebih dikhususkan untuk membahas analisis time series dengan metode kuadrat terkecil yang dibagi dalam dua kasus, yaitu kasus data genap dan kasus data ganjil. Secara umum persamaan garis linier dari analisis time series adalah : Y = a + b X. Keterangan : Y adalah variabel yang dicari trendnya dan X adalah variabel waktu (tahun). Sedangkan untuk mencari nilai konstanta (a) dan parameter (b) adalah : a = ΣY / N dan b =ΣXY / ΣX2
Comments
Post a Comment