Statistika
Statistika Bivariat
🎓 Kelas
XII
Materi tentang diagram pencar, analisis korelasi, dan analisis regresi.
Materi pembelajaran Statistika Bivariat untuk kelas XII.
1. Konsep Dasar Variabel
Dalam analisis bivariat, data disajikan dalam bentuk pasangan nilai \((X, Y)\).
• Variabel Bebas (Independen / \(X\)): Variabel yang menjadi sebab, memengaruhi, atau menjadi prediktor terhadap variabel lain. (Contoh: Lama waktu belajar)
• Variabel Terikat (Dependen / \(Y\)): Variabel yang menjadi akibat, dipengaruhi, atau menjadi respon dari variabel bebas. (Contoh: Nilai ujian)
Jenis data yang dianalisis:
• Kuantitatif – Kuantitatif (Kedua data berupa angka/numerik, misal: usia dan tinggi badan).
• Kualitatif – Kuantitatif / Kategorikal (Satu data kategori dan satu data angka).
2. Visualisasi Data: Diagram Pencar (Scatter Plot)
Diagram pencar adalah grafik yang menyajikan pasangan data \((X, Y)\) sebagai titik-titik pada koordinat Kartesius untuk melihat visual dari hubungan kedua variabel.
• Sumbu \(X\) (Horizontal): Diisi oleh variabel bebas.
• Sumbu \(Y\) (Vertikal): Diisi oleh variabel terikat.
Pola Hubungan pada Diagram Pencar:
1. Korelasi Positif: Jika nilai \(X\) naik, maka nilai \(Y\) cenderung ikut naik (titik-titik mengarah ke kanan atas).
2. Korelasi Negatif: Jika nilai \(X\) naik, maka nilai \(Y\) cenderung turun (titik-titik mengarah ke kanan bawah).
3. Tidak Ada Korelasi (Nihil): Titik-titik tersebar acak tanpa membentuk pola tertentu.
4. Linear vs Non-Linear: Titik-titik membentuk pola garis lurus (linear) atau melengkung/kurva (non-linear).
5. Pencilan (Outlier): Titik data yang terletak sangat jauh dari pola umum penyebaran data.
3. Analisis Korelasi (Kekuatan Hubungan)
Korelasi mengukur seberapa kuat atau erat hubungan antara variabel \(X\) dan \(Y\). Nilai koefisien korelasi (biasanya dilambangkan dengan \(r\)) berada pada rentang:
\(-1\le r\le 1\)
• \(r = +1\): Korelasi positif sempurna.
• \(r = -1\): Korelasi negatif sempurna.
• \(r = 0\): Tidak ada hubungan sama sekali.
• Ukuran Kekuatan Korelasi (secara umum):
• \(0,00 - 0,19\): Sangat lemah
• \(0,20 - 0,39\): Lemah
• \(0,40 - 0,59\): Sedang
• \(0,60 - 0,79\): Kuat
• \(0,80 - 1,00\): Sangat kuat
Catatan Penting: Korelasi bukan berarti sebab-akibat (Correlation is not causation). Dua variabel yang berhubungan belum tentu yang satu menyebabkan yang lain.
4. Analisis Regresi Linear Sederhana
Regresi digunakan untuk memprediksi atau memperkirakan nilai variabel terikat (\(Y\)) berdasarkan nilai variabel bebas (\(X\)).
• Persamaan Garis Regresi Terbaik (Best Fit Line):
\(\^{Y}=a+bX\)
(Atau sering ditulis \(Y = a + bX\) dengan metode kuadrat terkecil / least squares)
• \(a\) = Intercept (konstanta / nilai \(Y\) saat \(X = 0\))
• \(b\) = Slope (kemiringan garis / perubahan nilai \(Y\) setiap perubahan satu satuan \(X\))
5. Koefisien Determinasi (\(r^{2}\))
• Kuadrat dari nilai koefisien korelasi (\(r^{2}\)).
• Berfungsi untuk mengukur seberapa besar persentase variasi pada variabel \(Y\) dapat dijelaskan oleh variabel \(X\).
• Contoh: Jika \(r = 0,8\), maka \(r^2 = 0,64\) (artinya 64% perubahan pada \(Y\) dipengaruhi oleh \(X\), sedangkan 38% sisanya dipengaruhi oleh faktor lain).
6. Metode Uji Statistik Bivariat Lainnya (Tergantung Jenis Data)
• Korelasi Pearson: Untuk data numerik/kuantitatif dengan distribusi normal.
• Korelasi Spearman / Kendall: Untuk data numerik yang tidak berdistribusi normal atau data ordinal.
• Uji Chi-Square (\(\chi ^{2}\)): Digunakan untuk menguji hubungan antara dua variabel kategorikal/kualitatif.
• Uji-T Bivariat / ANOVA: Digunakan untuk membandingkan rata-rata variabel numerik pada kelompok kategori tertentu
1. Konsep Dasar Variabel
Dalam analisis bivariat, data disajikan dalam bentuk pasangan nilai \((X, Y)\).
• Variabel Bebas (Independen / \(X\)): Variabel yang menjadi sebab, memengaruhi, atau menjadi prediktor terhadap variabel lain. (Contoh: Lama waktu belajar)
• Variabel Terikat (Dependen / \(Y\)): Variabel yang menjadi akibat, dipengaruhi, atau menjadi respon dari variabel bebas. (Contoh: Nilai ujian)
Jenis data yang dianalisis:
• Kuantitatif – Kuantitatif (Kedua data berupa angka/numerik, misal: usia dan tinggi badan).
• Kualitatif – Kuantitatif / Kategorikal (Satu data kategori dan satu data angka).
2. Visualisasi Data: Diagram Pencar (Scatter Plot)
Diagram pencar adalah grafik yang menyajikan pasangan data \((X, Y)\) sebagai titik-titik pada koordinat Kartesius untuk melihat visual dari hubungan kedua variabel.
• Sumbu \(X\) (Horizontal): Diisi oleh variabel bebas.
• Sumbu \(Y\) (Vertikal): Diisi oleh variabel terikat.
Pola Hubungan pada Diagram Pencar:
1. Korelasi Positif: Jika nilai \(X\) naik, maka nilai \(Y\) cenderung ikut naik (titik-titik mengarah ke kanan atas).
2. Korelasi Negatif: Jika nilai \(X\) naik, maka nilai \(Y\) cenderung turun (titik-titik mengarah ke kanan bawah).
3. Tidak Ada Korelasi (Nihil): Titik-titik tersebar acak tanpa membentuk pola tertentu.
4. Linear vs Non-Linear: Titik-titik membentuk pola garis lurus (linear) atau melengkung/kurva (non-linear).
5. Pencilan (Outlier): Titik data yang terletak sangat jauh dari pola umum penyebaran data.
3. Analisis Korelasi (Kekuatan Hubungan)
Korelasi mengukur seberapa kuat atau erat hubungan antara variabel \(X\) dan \(Y\). Nilai koefisien korelasi (biasanya dilambangkan dengan \(r\)) berada pada rentang:
\(-1\le r\le 1\)
• \(r = +1\): Korelasi positif sempurna.
• \(r = -1\): Korelasi negatif sempurna.
• \(r = 0\): Tidak ada hubungan sama sekali.
• Ukuran Kekuatan Korelasi (secara umum):
• \(0,00 - 0,19\): Sangat lemah
• \(0,20 - 0,39\): Lemah
• \(0,40 - 0,59\): Sedang
• \(0,60 - 0,79\): Kuat
• \(0,80 - 1,00\): Sangat kuat
Catatan Penting: Korelasi bukan berarti sebab-akibat (Correlation is not causation). Dua variabel yang berhubungan belum tentu yang satu menyebabkan yang lain.
4. Analisis Regresi Linear Sederhana
Regresi digunakan untuk memprediksi atau memperkirakan nilai variabel terikat (\(Y\)) berdasarkan nilai variabel bebas (\(X\)).
• Persamaan Garis Regresi Terbaik (Best Fit Line):
\(\^{Y}=a+bX\)
(Atau sering ditulis \(Y = a + bX\) dengan metode kuadrat terkecil / least squares)
• \(a\) = Intercept (konstanta / nilai \(Y\) saat \(X = 0\))
• \(b\) = Slope (kemiringan garis / perubahan nilai \(Y\) setiap perubahan satu satuan \(X\))
5. Koefisien Determinasi (\(r^{2}\))
• Kuadrat dari nilai koefisien korelasi (\(r^{2}\)).
• Berfungsi untuk mengukur seberapa besar persentase variasi pada variabel \(Y\) dapat dijelaskan oleh variabel \(X\).
• Contoh: Jika \(r = 0,8\), maka \(r^2 = 0,64\) (artinya 64% perubahan pada \(Y\) dipengaruhi oleh \(X\), sedangkan 38% sisanya dipengaruhi oleh faktor lain).
6. Metode Uji Statistik Bivariat Lainnya (Tergantung Jenis Data)
• Korelasi Pearson: Untuk data numerik/kuantitatif dengan distribusi normal.
• Korelasi Spearman / Kendall: Untuk data numerik yang tidak berdistribusi normal atau data ordinal.
• Uji Chi-Square (\(\chi ^{2}\)): Digunakan untuk menguji hubungan antara dua variabel kategorikal/kualitatif.
• Uji-T Bivariat / ANOVA: Digunakan untuk membandingkan rata-rata variabel numerik pada kelompok kategori tertentu