STATISTIK/PROBABILITAS

PENGERTIAN KORELASI

Secara sederhana, korelasi dapat diartikan sebagai hubungan. Namun ketika dikembangkan lebih jauh, korelasi tidak hanya dapat dipahami sebatas pengertian tersebut. Korelasi merupakan salah satu teknik analisis dalam statistik yang digunakan untuk mencari hubungan antara dua variabel yang bersifat kuantitatif. Hubungan dua variabel tersebut dapat terjadi karena adanya hubungan sebab akibat atau dapat pula terjadi karena kebetulan saja. Dua variabel dikatakan berkolerasi apabila perubahan pada variabel yang satu akan diikuti perubahan pada variabel yang lain secara teratur dengan arah yang sama (korelasi positif) atau berlawanan (korelasi negatif). 

Dalam Matematika, korelasi merupakan ukuran dari seberapa dekat dua variabel berubah dalam hubungan satu sama lain. Sebagai contoh, kita bisa menggunakan tinggi badan dan usia siswa SD sebagai variabel dalam korelasi positif. Semakin tua usia siswa SD, maka tinggi badannya pun menjadi semakin tinggi. Hubungan ini disebut korelasi positif karena kedua variabel mengalami perubahan ke arah yang sama, yakni dengan meningkatnya usia, maka tinggi badan pun ikut meningkat. 

Sementara itu, kita bisa menggunakan nilai dan tingkat ketidak hadiran siswa sebagai contoh dalam korelasi negatif. Semakin tinggi tingkat ketidak hadiran siswa di kelas, maka nilai yang diperolehnya cenderung semakin rendah. Hubungan ini disebut korelasi negatif karena kedua variabel mengalami perubahan ke arah yang berlawanan, yakni dengan meningkatnya tingkat ketidak hadiran, maka nilai siswa justru menurun. 

Kedua variabel yang dibandingkan satu sama lain dalam korelasi dapat dibedakan menjadi variabel independen dan variabel dependen. Sesuai dengan namanya, variabel independen adalah variabel yang perubahannya cenderung di luar kendali manusia. Sementara itu variabel dependen adalah variabel yang dapat berubah sebagai akibat dari perubahan variabel indipenden. Hubungan ini dapat dicontohkan dengan ilustrasi pertumbuhan tanaman dengan variabel sinar matahari dan tinggi tanaman. Sinar matahari merupakan variabel independen karena intensitas cahaya yang dihasilkan oleh matahari tidak dapat diatur oleh manusia. Sedangkan tinggi tanaman merupakan variabel dependen karena perubahan tinggi tanaman dipengaruhi langsung oleh intensitas cahaya matahari sebagai variabel indipenden. 

1.      Korelasi Parsial

Korelasi parsial adalah suatu metode pengukuran keeratan hubungan (korelasi) antara variabel bebas dan variabel tak bebas dengan mengontrol salah satu variabel bebas untuk melihat korelasi natural antara variabel yang tidak terkontrol. Analisis korelasi parsial (partial correlation) melibatkan dua variabel. Satu buah variabel yang dianggap berpengaruh akan dikendalikan atau dibuat tetap (sebagai variabel kontrol). 

Sebagai contoh misalnya kita akan meneliti hubungan variabel X2 dan variabel bebas Y, denganX1 dikontrol (korelasi parsial). Disini variabel yang dikontrol (X1) dikeluarkan atau dibuat konstan. Sehingga X2’ = X2 – (b2X1 + a2 ) dan Y’ = Y – (b1 X1 +a1 ), tetapi nilai a dan b didapatkan dengan menggunakan regresi linear. Setelah hasilnya diperoleh, kemudian dicari regresi X2‘ dengan Y’ dimana : Y’ = b3X2’ +a3. Korelasi yang didapatkan dan sejalan dengan model-model di atas dinamakan korelasi parsial X2 dan Y sedangkan X1 dibuat konstan.

Nilai korelasi berkisar antara 1 sampai -1, nilai semakin mendekati 1 atau -1 berarti hubungan antara dua variabel semakin kuat. Sebaliknya, jika nilai mendekati 0 berarti hubungan antara dua variabel semakin lemah. Nilai positif menunjukkan hubungan searah (X naik, maka Y naik) sementara nilai negatif menunjukkan hubungan terbalik (X naik, maka Y turun). 

Data yang digunakan dalam korelasi parsial biasanya memiliki skala interval atau rasio. Berikut adalah pedoman untuk memberikan interpretasi serta analisis bagi koefisien korelasi menurut Sugiyono:

0.00 - 0,199 = sangat rendah

0,20 - 0,3999 = rendah

0,40 - 0,5999 = sedang

0,60 - 0,799 = kuat

0,80 - 1,000 = sangat kuat

2.      Korelasi Ganda

Korelasi ganda adalah bentuk korelasi yang digunakan untuk melihat hubungan antara tiga atau lebih variabel (dua atau lebih variabel independen dan satu variabel dependent. Korelasi ganda berkaitan dengan interkorelasi variabel-variabel independen sebagaimana korelasi mereka dengan variabel dependen. 

Korelasi ganda adalah suatu nilai yang memberikan kuatnya pengaruh atau hubungan dua variabel atau lebih secara bersama-sama dengan variabel lain. Korelasi ganda merupakan korelasi yang terdiri dari dua atau lebih variabel bebas (X1,X2,…..Xn) serta satu variabel terikat (Y). Apabila perumusan masalahnya terdiri dari tiga masalah, maka hubungan antara masing-masing variabel dilakukan dengan cara perhitungan korelasi sederhana. 

Korelasi ganda memiliki koefisien korelasi, yakni besar kecilnya hubungan antara dua variabel yang dinyatakan dalam bilangan. Koefisien Korelasi disimbolkan dengan huruf R. Besarnya Koefisien Korelasi adalah antara -1; 0; dan +1. 

Besarnya korelasi -1 adalah negatif sempurna yakni terdapat hubungan di antara dua variabel atau lebih namun arahnya terbalik, +1 adalah korelasi yang positif sempurna (sangat kuat) yakni adanya sebuah hubungan di antara dua variabel atau lebih tersebut, sedangkan koefisien korelasi 0 dianggap tidak terdapat hubungan antara dua variabel atau lebih yang diuji sehingga dapat dikatakan tidak ada hubungan sama sekali.

STATISTIK/PROBABILITAS

METODE BEDA HINGGA

Salah satu cara utk menyelesaikan persamaan differential adalah dengan menggunakan metode beda hingga atau yg lbh dikenal dgn finite difference method. Metode ini menggunakan pendekatan ekspansi Taylor di titik acuannya (x). Ada tiga jenis beda (difference) yg bisa kita gunakan utk mencari nilai f(x+∆x). Ketiga jenis beda ini disebut forward difference, backward difference, dan central difference. Supaya gak lupa, penurunannya saya berikan di sini.

1.    Forward difference

Untuk forward difference, kita ingin mencari nilai suatu fungsi jika independent variablenya digeser ke depan (makanya namanya forward difference) sebesar ∆x. Sederhananya, jika kita tahu f(x), maka berapakah f(x+∆x)? Ekspansi Taylor dituliskan sbb:

Secara umum, symbol ∂f/∂x*∆x menunjukkan kemiringan (gradient) nilai fungsi f pada f(x) jika x digeser sebesar ∆x. Sementara symbol ∂²f/∂x² menunjukkan lengkungan (curvature) dari titik f(x) tsb jika x digeser sebesar ∆x.

Oleh karena nilai setelah term pertama di atas tidak signifikan dibandingkan dgn term kedua, maka bisa kita bilang klo:

Hubungan di atas menunjukkan kemiringan (gradient) dari fungsi tsb sebesar ∆x ke depan (lbh besar dari x).

2.    Backward difference

Pertanyaan yg sama jg kita berikan utk backward difference. Jika kita tahu f(x), maka berapakah f(x-∆x)? Atau berapakah nilai fungsi tsb jika independent variablenya digeser ke belakang sebesar ∆x. Ekspansi Taylor dituliskan sbb:

 

Hubungan terakhir ini menunjukkan kemiringan (gradient) dari fungsi tsb sebesar ∆x ke belakang (lbh kecil dari x).

3.    Central difference

Jenis bedar ketiga adalah beda tengah, di mana kita akan mencari kemiringan dari fungsi tsb dgn menggunakan perbedaan nilai fungsinya dari beda depan dan beda belakang. Secara matematis, beda tengah adalah penjumlahan dari beda depan dan beda belakang.

4.    Second order derivation

Setelah pendekatan orde satu bisa kita turunkan spt di atas, skrg kita bisa menurunkan persamaan utk pendekatan orde dua. Penurunan di bawah ini saya mulai dari mengambil persamaan orde satu dari beda depan (forward difference) yg mengandung penurunan orde dua (second order differential). Fungsi ∂²f/∂x² saya keluarkan, dan persamaan utk ∂f/∂x nya saya ambil dari pendekatan beda belakang (backward difference).

Dengan adanya dua pendekatan (orde satu dan orde dua) ini, kita bisa bekerja dgn contoh berikut:

Penyelesaian analitiknya adalah sbb:

Kondisi batas yg kita ketahui adalah sbb:

u pada r = 2 atau u(2) = 0.008

u(6.5) = 0.003

Yg ditanyakan adalah berapa nilai u di antara kedua nilai batas di atas.

Dengan metode beda hingga ini, kita akan membuat node2. Katakanlah kita buat 4 node. Node yg pertama adalah saat u(2), dan node yg keempat adalah u(6.5). 4 node yg kita pilih terdiri atas 3 rentang, yakni rentang node 1-2, rentang node 2-3, dan rentang node 3-4. Jarak rentang tsb adalah (6.5-2)/3 = 1.5. Maka, node 2 adalah 2+1.5 = 3.5. Node 3 adalah 3.5+1.5 =5. Yg skrg ingin kita ketahui tentunya adalah nilai u pada saat r = 3.5 atau u(3.5) dan u(5).

Utk yg pertama ini, kita akan gunakan pendekatan beda maju utk orde satu. Dengan memasukkan pendekatan yg udah kita turunkan ke persamaan diferensial di atas, kita dapat:

, dgn i = node.

Persamaan ini kita utak-atik utk mendapatkan penyelesaian utk u_i, sehingga kita bisa menyusun persamaan utk u₂ dan u₃. Sementara u₁ dan u₄ sudah kita ketahui sebagai kondisi batas. Klo saya selesaikan di excel, akan didapat sbb:

Perbandingan hasil pendekatan ini dengan hasil analitiknya menghasilkan error sebesar 6.66% utk u₂ atau u(3.5) dan error sebesar 5.12% utk u₃ atau u(5).

Jika saya gunakan beda tengah utk pendekatan orde satu, akan diperoleh hasil sbb:

 

Hasil perhitungan dgn pendekatan beda tengah ternyata lbh akurat drpd pendekatan beda maju (dan jg drpd beda mundur). Error utk u(3.5) menjadi 2.43% dan error utk u(5) menjadi 1.68%.

Jika saya menggunakan node yg lbh banyak, dalam artian saya melakukan perhitungan yg lbh detail, dengan 8 node misalnya. Dan tetap menggunakan beda tengah, akan didapat hasil sbb:

Spt yg diharapkan klo hasil perhitungan dgn node yg semakin banyak atau perhitungan semakin detail, maka hasilnya akan mendekati hasil analitiknya. Error yg diperoleh utk setiap r di atas semuanya di bawah 0.5%.

STATISTIK/PROBABILITAS

1.      Pengerian dan Analisi Korelasi Sederhana dengan Rumus Pearson

Korelasi Sederhana merupakan suatu Teknik Statistik yang dipergunakan untuk mengukur kekuatan hubungan 2 Variabel dan juga untuk dapat mengetahui bentuk hubungan antara 2 Variabel tersebut dengan hasil yang sifatnya kuantitatif. Kekuatan hubungan antara 2 variabel yang dimaksud disini adalah apakah hubungan tersebut ERAT, LEMAH,  ataupun TIDAK ERAT sedangkan bentuk hubungannya adalah apakah bentuk korelasinya Linear Positif  ataupun Linear Negatif.

Disamping Korelasi, Diagram Tebar (Scatter Diagram) sebenarnya juga dapat mempelajari hubungan 2 variabel dengan cara menggambarkan hubungan tersebut dalam bentuk grafik. Tetapi Diagram tebar hanya dapat memperkirakan kecenderungan hubungan tersebut apakah Linear Positif, Linear Negatif ataupun tidak memiliki Korelasi Linear. Kelemahan Diagram Tebar adalah tidak dapat menunjukkan secara tepat dan juga tidak dapat memberikan angka Kuantitas tentang kekuatan hubungan antara 2 variabel yang dikaji tersebut.

Kekuatan Hubungan antara 2 Variabel biasanya disebut dengan Koefisien Korelasi dan dilambangkan dengan symbol “r”. Nilai Koefisian r akan selalu berada di antara -1 sampai +1.

Perlu diingat :

Koefisien Korelasi akan selalu berada di dalam Range -1 ≤ r ≤ +1

Jika ditemukan perhitungan diluar Range tersebut, berarti  telah terjadi kesalahan perhitungan dan harus di koreksi terhadap perhitungan tersebut.

·         Rumus Pearon Product Moment

Koefisien Korelasi Sederhana disebut juga dengan Koefisien Korelasi Pearson karena rumus perhitungan Koefisien korelasi sederhana ini dikemukakan oleh Karl Pearson yaitu seorang ahli Matematika yang berasal dari Inggris.

Rumus yang dipergunakan untuk menghitung Koefisien Korelasi Sederhana adalah sebagai berikut : (Rumus ini disebut juga dengan Pearson Product Moment)

r =               nΣxy – (Σx) (Σy)                   
.                                   √{nΣx² – (Σx)²} {nΣy² – (Σy)²}

Dimana :

n    = Banyaknya Pasangan data X dan Y

Σx = Total Jumlah dari Variabel X

Σy = Total Jumlah dari Variabel Y

Σx²= Kuadrat dari Total Jumlah Variabel X

Σy²= Kuadrat dari Total Jumlah Variabel Y

Σxy= Hasil Perkalian dari Total Jumlah Variabel X dan Variabel Y

2.      Pola/Bentuk Hubungan antara 2 variabel :

1.      Korelasi Linear Positif  (+1)

Perubahan salah satu Nilai Variabel diikuti perubahan Nilai Variabel yang lainnya secara teratur dengan arah yang sama. Jika Nilai Variabel X mengalami kenaikan, maka Variabel Y akan ikut naik. Jika Nilai Variabel X mengalami penurunan, maka Variabel Y akan ikut turun.

Apabila Nilai Koefisien Korelasi mendekati +1 (positif Satu) berarti pasangan data Variabel X dan Variabel Y memiliki Korelasi Linear Positif yang kuat/Erat.

2.      Korelasi Linear Negatif (-1)

Perubahan salah satu Nilai Variabel diikuti perubahan Nilai Variabel yang lainnya secara teratur dengan arah yang berlawanan. Jika Nilai Variabel X mengalami kenaikan, maka Variabel Y akan turun. Jika Nilai Variabel X mengalami penurunan, maka Nilai Variabel Y akan naik.

Apabila Nilai Koefisien Korelasi mendekati -1 (Negatif Satu) maka hal ini menunjukan pasangan data Variabel X dan Variabel Y memiliki Korelasi Linear Negatif yang kuat/erat.

3.      Tidak Berkorelasi (0)

Kenaikan Nilai Variabel yang satunya kadang-kadang  diikut dengan penurunan Variabel lainnya atau kadang-kadang diikuti dengan kenaikan Variable yang lainnya. Arah hubungannya tidak teratur, kadang-kadang searah, kadang-kadang berlawanan.

Apabila Nilai Koefisien Korelasi mendekati 0 (Nol) berarti pasangan data Variabel X dan Variabel Y memiliki korelasi yang sangat lemah atau berkemungkinan tidak berkorelasi.

Ketiga Pola atau bentuk hubungan tersebut jika di gambarkan ke dalam Scatter Diagram (Diagram tebar) adalah sebagai berikut :

Tabel tentang Pedoman umum dalam menentukan Kriteria Korelasi :

r	Kriteria Hubungan
0	Tidak ada Korelasi
0 – 0.5	Korelasi Lemah
0.5 – 0.8	Korelasi sedang
0.8 – 1	Korelasi Kuat / erat
1	Korelasi Sempurna

Contoh Penggunaan Analisis Korelasi di Produksi :

1. Apakah ada hubungan antara suhu ruangan dengan jumlah cacat Produksi?
2. Apakah ada hubungan antara lamanya waktu kerusakan mesin dengan jumlah cacat produksi?
3. Apakah ada hubungan antara jumlah Jam lembur dengan tingkat absensi?

Contoh Kasus Analisis Korelasi Sederhana :

Seorang Engineer ingin mempelajari apakah adanya pengaruh Suhu Ruangan terhadap Jumlah Cacat yang dihasilkan dan juga ingin mengetahui keeratan serta bentuk hubungan antara dua variabel tersebut. Engineer tersebut kemudian mengambil data selama 30 hari terhadap rata-rata (mean) suhu ruangan dan Jumlah Cacat Produksi seperti dibawah ini :

Tanggal	Rata-rata Suhu Ruangan	Jumlah Cacat
1	24	10
2	22	5
3	21	6
4	20	3
5	22	6
6	19	4
7	20	5
8	23	9
9	24	11
10	25	13
11	21	7
12	20	4
13	20	6
14	19	3
15	25	12
16	27	13
17	28	16
18	25	12
19	26	14
20	24	12
21	27	16
22	23	9
23	24	13
24	23	11
25	22	7
26	21	5
27	26	12
28	25	11
29	26	13
30	27	14

Penyelesaian :

Pertama-tama hitunglah X², Y², XY dan totalnya seperti tabel dibawah ini :

Tanggal	Rata-rata Suhu Ruangan (X)	Jumlah Cacat    (Y)	X2	Y2	XY
1	24	10	576	100	240
2	22	5	484	25	110
3	21	6	441	36	126
4	20	3	400	9	60
5	22	6	484	36	132
6	19	4	361	16	76
7	20	5	400	25	100
8	23	9	529	81	207
9	24	11	576	121	264
10	25	13	625	169	325
11	21	7	441	49	147
12	20	4	400	16	80
13	20	6	400	36	120
14	19	3	361	9	57
15	25	12	625	144	300
16	27	13	729	169	351
17	28	16	784	256	448
18	25	12	625	144	300
19	26	14	676	196	364
20	24	12	576	144	288
21	27	16	729	256	432
22	23	9	529	81	207
23	24	13	576	169	312
24	23	11	529	121	253
25	22	7	484	49	154
26	21	5	441	25	105
27	26	12	676	144	312
28	25	11	625	121	275
29	26	13	676	169	338
30	27	14	729	196	378
Total	699	282	16487	3112	6861

Kemudian hitunglah Koefisien Korelasi berdasarkan rumus korelasi dibawah ini :

r =               nΣxy – (Σx) (Σy)                    
.          √{nΣx² – (Σx)²} {nΣy² – (Σy)²}

r =                   (30 . 6861) – (699) (282)                     
.          √{30. 16487 – (699)²} {30 . 3112 – (282)²}

r =                    (205830) – (197118)                          
.          √{494610 – 488601} {93360 – 75924}

r =               8712          
.                9118.13

r =   0.955

Jadi Koefisien Korelasi antara Suhu Ruangan dan Jumlah Cacat Produksi adalah 0.955, berarti kedua variabel tersebut memiliki hubungan yang ERAT dan bentuk hubungannya adalah Linear Positif.

Jika Hubungan Suhu Ruangan dan Jumlah Cacat Produksi dibuat dalam bentuk Scatter Diagram (Diagram Tebar), maka bentuknya akan seperti dibawah ini :

Analisis Korelasi (Correlation Analysis) juga merupakan salah satu alat (tool) yang digunakan dalam Metodologi Six Sigma di Tahap Analisis.