Acara III.

Asosiasi Dua Peubah

Tujuan :
1. Mahasiswa dapat melakukan beberapa pengujian
2. Mengenalkan analisis regresi dan korelasi linear sederhana

A. Uji hipotesis untuk Korelasi

Sebagaimana telah disampaikan sebelumnya, kedekatan hubungan antara dua peubah, X dan Y, dapat
dinyatakan dengan suatu besaran yang disebut koefisien korelasi antara Y dan X, dilambangkan x,y atau
Corr(X,Y):
 xy
 x, y = .
 x y
Besaran itu berlaku untuk populasi. Besaran tersebut dapat diduga nilainya menggunakan pasangan data
(Xi,Yi), i = 1, 2, ..., n, yang merupakan cuplikan acak dari populasi dan formula yang dipakai pun sama saja.
Untuk membedakannya, koefisien korelasi disimbolkan sebagai rXY atau r saja.
Tentu saja penggunaan cuplikan memunculkan pertanyaan, apakah nilai yang diperoleh mewakili
populasi. Uji hipotesis terhadap H0:  x,y= 0 (“apakah X dan Y saling independen”) dapat dilakukan untuk
menjawab pertanyaan tersebut.
Hipotesis nol diuji dengan mendasarkan pada kenyataan bahwa statistik uji t dapat diperoleh melalui
pendekatan

t= ( n − 2).r 2
(1 − r 2 )

yang mengikuti distribusi t-Student dengan ν = n – 2.

B. Uji hipotesis untuk Koefisien Regresi

Berbeda dari korelasi, yang mengukur kebersamaan variasi pada peubah X dan Y, dalam regresi Y
terhadap X dibicarakan bagaimana perubahan pada X, disebut “peubah bebas” (independent variable) atau
“peubah penjelas” (explanatory variable), mengakibatkan perubahan pada Y, disebut “peubah tergantung”
(dependent variable).

Contoh Regresi Tunggal:

X adalah curah hujan dan Y adalah produksi kakao. Contoh lain, X adalah dosis pupuk NPK dan Y adalah
produksi jagung. Jelas bahwa nilai Y tergantung pada nilai X.
Contoh Regresi Berganda:
X1 adalah jenis pakan ikan, X2 adalah kualitas air bak dan Y adalah bobot ikan nila. Contoh lain, X1 adalah
dosis pupuk organik hewani, X2 adalah intensitas penyiraman dan Y adalah produksi bunga lotus. Jelas
bahwa nilai Y tergantung pada nilai X1 dan X2. .
 Akan tetapi, jika ada sejumlah data, bukan hanya X saja yang menentukan nilai Y, melainkan juga faktor
kebetulan (biasa disebut “sesatan” atau “efek sisa”/residual). Sebagai contoh, faktor lingkungan berupa curah
hujan. Dengan lambang, hal ini ditulis sebagai:
Linier
Y = f(X) +  dengan  = sesatan
Berganda
Y = f(X1) + f(X2) + f(Xn) + …. +  dengan  = sesatan

Bentuk f(X) biasanya tidak diketahui, namun jika hubungan X dan Y dianggap linear, diperoleh f(X) =  +
X.
Jadi, pasangan data (Xi,Yi), i = 1, 2, ..., n akan memenuhi persamaan
Yi =  + Xi + i
 disebut intersep dan  disebut koefisien regresi. Penduga  dan , dilambangkan dengan a dan b, didapat
dengan metode jumlah kuadrat terkecil, yang tidak akan dibahas di sini.
sehingga diperoleh b = sXY / s2X dan a = mY – b·mX apabila m adalah rerata cuplikan.
Karena b diperoleh dari cuplikan, tentunya diinginkan pengujian, bahwa H0: = 0 vs. H1: ≠  0. Statistik
ujinya, seperti biasa, adalah
t = (b – 0) / Var(b) , dengan Var(b) = (s2Y – b2·s2X) / [(n – 2) ·s2X ],

yang mengikuti distribusi t-Student dengan derajat bebas ν = n – 2. Pengujian untuk H0:  = 0 juga ada,
tetapi tidak akan dibahas.

C. Uji hipotesis untuk Selisih Dua Koefisien Regresi

Sejalan dengan adanya uji hipotesis untuk rerata maupun dua rerata, terhadap koefisien regresi dapat
pula dibangun uji hipotesis untuk dua regresi. Hal ini misalnya dapat terjadi bila kita melakukan pengukuran
hubungan dua peubah Y dan X dalam dua kondisi yang berbeda.

Contoh:
Kita ingin membandingkan pengaruh suhu pemanasan terhadap tingkat kelunakan daging ikan pada dua
cara pemanasan yang berbeda. Di sini, yang ingin diuji adalah “apakah laju perubahan pengaruh pada cara
pemanasan pertama berbeda dengan pada cara pemanasan kedua”.

Uji hipotesis yang ingin diuji adalah H0:  1= 2 vs. H1:  1 ≠ 2. Bentuk ini dapat pula diubah menjadi H0: 1
-  2 = 0 vs. H1:  1 -  2 ≠ 0.
 Dua kurva linear
55
50
45
40 y = 0.0757x + 23.079
35
30
25
y = 0.1715x - 3.1701
20
150 160 170 180 190 200 210 220 230 240 250 260 270 280 290 300

Y1 Y2 Linear (Y1) Linear (Y2)

Gambar 7.1 Uji hipotesis untuk dua regresi menguji apakah kedua kurva respons linear mewakili satu
kurva yang sama gradiennya (H0).

Mengacu pada uji hipotesis sebelumnya, statistik ujinya adalah

t = [(b1 – b2) – (1 - 2)] / Var (b1 − b2 )

Var(b1 – b2) = s2p {1 /[( n1 − 1) s X2 1 ] + 1 /[( n 2 − 1) s X2 2 ]}

s2p = [(n1 – 1)(s2Y1 – b12 · s2X1) + (n2 – 1) (s2Y2 – b22 · s2X2)] / [(n1 + n2 – 4)].

Sebagaimana sebelumnya, t mengikuti distribusi t-Student dengan derajat bebas:

ν = n1 + n2 – 4.

D. Uji Ketakgayutan (Independensi) untuk Dua Peubah Kategoris

Korelasi dan regresi dapat digunakan sebagai parameter asosiasi antara dua peubah berupa data ordinal
maupun kontinu. Akan tetapi, keduanya tidak digunakan untuk data kategori. Data kategori adalah data yang
tidak dapat diurutkan, hanya berupa klasifikasi, seperti jenis kelamin atau warna bunga. Biasanya, data
demikian dikelompokkan lalu dinyatakan sebagai proporsi, frekuensi, atau nisbah. Bentuk tabel berikut di
bawah ini dikenal sebagai tabel kontingensi atau crosstab (O di sini adalah singkatan dari observation).

Kolom 1 Kolom 2  Kolom k Jumlah

Baris 1 O11 O12  O1k m1.
Baris 2 O21 O22  O2k m2.
    
Baris t Ot1 Ot2  Otk mt.
Jumlah n.1 n.2 n.k T

Kategori dalam baris dan kategori dalam kolom akan saling tak gayut (independen) apabila proporsi suatu
kategori pada baris dan kolom tertentu sama saja dengan perkalian proporsi baris yang bersangkutan
dengan proporsi kolom yang bersangkutan atau Pij = Pi. P.j; dengan i = 1, 2, ..., t (baris) dan j = 1, 2, ..., k
(kolom). Dalam bentuk hipotesis nol, H0: Pij = Pi. P.j vs H1: Pij ≠ Pi. P.j
Karena diduga dari cuplikan, Pi. diduga dengan pi = mi / T dan P.j diduga dengan pj = nj / T. Oleh karena
itu, dapat dihitung harapan kita untuk perpotongan keduanya, Eij = mi·nj / T. Apabila semua pengamatan Oij
sama dengan Eij, berarti baris dan kolom saling tak-gayut. Jika sebaliknya, ada dugaan saling gayut antara
dua peubah jika Oij menyimpang jauh dari Eij. Keputusan apakah dua peubah tersebut saling tak-gayut (H0)
diuji dengan besaran X2 = ΣiΣj[(Oij – Eij)2/Eij], yang akan mengikuti distribusi χ2 (khi-kuadrat) dengan derajat
bebas (t – 1)(k – 1).

Catatan :

ACARA III
Telah diperiksa
Asisten :
Tanggal :
TTD :