Suplemen Responsi Pertemuan ANALISIS DATA KATEGORIK (STK351) 8 Departemen Statistika FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referensi Waktu Korelasi Peringkat (Rank Correlation) Bag. Koefisien korelasi peringkat Parsial Asosiasi untuk tabel kontingensi Korelasi biserial Applied Nonparametric Statistic Daniel (1990) Jumat 3 Nov 01 15.45 17.45 Pokok bahasan pada pertemuan ini adalah lanjutan dari pertemuan minggu yang lalu, yaitu korelasi peringkat (rank correlation). Terdiri dari tiga bahasan utama yaitu koefisien korelasi peringkat parsial, ukuran asosiasi untuk tabel kontingensi dan koefisien korelasi biserial. Koefisien Peringkat Parsial Koefisien korelasi sederhana, seperti yang dibahas pada pertemuan lalu, mengukur keeratan dan arah hubungan antar dua peubah tanpa mengakomodasi pengaruh-pengaruh lain. Korelasi parsial memberikan solusi untuk permasalah itu. Korelasi parsial mengukur keeratan dan arah hubungan antar dua peubah dengan mengendalikan satu atau peubah lain di luar dua peubah itu. Hal ini sangat bermanfaat, misalnya dalam konteks analisis regresi. Ilustrasi korelasi parsial misalnya sebagai berikut. Korelasi antara jenis pupuk dan produktifitas tanaman dengan mengatur faktor kemiringan lahan konstan. Atau korelasi antara harga dan daya beli masyarakat dengan mengendalikan faktor nilai tukar mata uang, dan lain-lain. Korelasi parsial dapat diterapkan untuk metode korelasi Pearson serta korelasi Spearman dan tau-kendall. Pada kelompok nonparametrik, korelasi parsial Spearman adalah yang paling sederhana. Perhitungannya cukup dilakukan dengan mengganti nilai sebenarnya dengan peringkat-peringkat yang tepat dan kemudian lakukan analisis korelasi parameterik. Koefisien korelasi parsial tau-kendall antara X dan Y dengan Z konstan, XY, akan dibahas berikut ini : Hipotesis a. H 0 : XY.Z = 0 H 1 : XY.Z 0 b. H 0 : XY.Z 0 H 1 : XY.Z > 0 c. H 0 : XY.Z 0 H 1 : XY.Z < 0
Statistik Uji Koefisien korelasi parsial tau-kendall sekaligus statistik uji yang digunakan dihitung dengan rumus : XY XY XZ YZ (1 XZ )(1 YZ ) Kaidah Keputusan Nilai kritis untuk ukuran contoh dan taraf nyata tertentu diberikan pada tabel korelasi parsial tau-kendall (Tabel A.4). Pengambilan keputusan mengenai XY.Z adalah sebagai berikut : a. Tolak H 0 jika nilai statistik uji XY lebih besar daripada XY dan 1 α/ tertentu. b. Tolak H 0 jika nilai statistik uji XY lebih besar daripada XY dan 1 α tertentu. c. Tolak H 0 jika nilai statistik uji XY lebih kecil daripada XY Contoh : dan 1 α tertentu. Berikut ini adalah data tinggi (dalam cm) dan berat badan (dalam kg) dan lingkar dada (dalam cm) beberapa mahasiswa dari suatu kelas. Hitung nilai korelasi tau Kendall antara tinggi dan berat badan jika lingkar dada konstan. Apakah dapat disimpulkan bahwa tinggi dan berat badan saling bebas! Tinggi Berat Lingkar dada Tinggi Berat Lingkar dada 171 49 99 155 43 96 161 59 103 180 73 108 160 50 98 145 38 9 163 56 105 15 46 101 168 58 104 158 41 93 153 47 100 165 65 107 170 54 10 140 37 95 173 60 106 181 85 109 Hipotesis : H 0 : TB.L= 0 H 1 : TB.L 0 Statistik uji : Nilai korelasi parsial tau Kendall dapat diperoleh dengan prosedur berikut ini. Korelasi tau Kendall antara tinggi dan berat badan, sebagai mana sudah dibahas pada bab 7, adalah TB 0.6833. Dengan cara yang sama dapat diperoleh korelasi tau kendall antara tinggi badan dan lingkar dada serta berat badan dan lingkar dada : TL 0.6000 dan BL 0.8833. Sehingga apabila lingkar dada konstan, korelasi tau Kendall antara tinggi badan dan berat badan adalah : / 5
TB. L TB TL BL (1 TL )(1 BL ) 0.6833 (0.6000)(0.8833) TB. L 0.40886 (1 0.6000 )(1 0.8833 ) Statistik uji : Untuk n = 16 dan 1 α/ = 0.975 diperoleh titik kritis sebesar 0.361 (Tabel A.4). Karena statistik uji lebih besar dari titik kritisnya, maka hipotesis nol ditolak dan simpulkan bahwa saat lingkar dada konstan, tinggi badan dan berat badan tidak saling bebas. Asosiasi pada Tabel Kontingensi Perhatikan layout tabel kontingensi berikut : Peubah X Peubah Y 1 Total 1 a b a + b c d c + d Total a + c b + d n = a + b + c + d Asosiasi antara peubah kategori X dan peubah kategori Y dapat dihitung dengan menggunakan beberapa cara, diantaranya : Koefisien phi Dihitung dengan menggunakan rumus : ad bc ( a b)( c d)( a c)( b d) Koefisien phi bernilai dari 1 sampai dengan +1. Jika nilai mutlak dari koefisien phi mendekati satu, berarti ada asosiasi yang kuat antara dua peubah. Koefisien phi memiliki hubungan dengan khi-kuadrat, yaitu : X / n Q Yule Statistik Cramer Hanya dapat digunakan untuk tabel kontingensi. Rumusnya adalah ad bc Q ad bc Dapat digunakan untuk mengukur asosiasi antara dua peubah dalam berbagai dimensi tabel kontingensi. Statistik Cramer dihitung dengan rumus : C X n( t 1) Dalam hal ini, X adalah nilai khi-kuadrat, n ukuran contoh dan t adalah banyaknya baris dan kolom yang paling kecil. 3 / 5
Contoh : Hitunglah ukuran asosiasi antara jenis kelamin dan kebiasaan merokok yang datanya ditampilkan dalam tabel kontingensi berikut : Jenis kelamin Kebiasaan merokok Ya Tidak Total Laki-laki 8 11 39 Perempuan 4 3 36 Total 3 43 75 Nilai khi-kuadrat untuk tabel kontingensi di atas adalah khi-kuadrat ada pada Bab 5). Sehingga dapat dihitung : (8)(3) (4)(11) Koefisien phi 0.6130 (39)(36)(3)(43) X 8.1809 (prosedur perhitungan atau 8.1809 / 75 0.6130 Q Yule (8)(3) (4)(11) Q 0.9064 (8)(3) (4)(11) Statistik Cramer C 8.1809 75( 1) 0.6130 Selain ketiga statistik tersebut, asosiasi dalam tabel kontingensi juga dapat diukur dengan koefisien Goodman Kruskall G. Penjelasan lengkap tentang koefisien G disampaikan pada Daniel (1990, pp. 404 408). Koefisien Korelasi Point Biserial Koefisien korelasi point biserial digunakan untuk mengukur hubungan antara peubah kontinu dengan peubah biner (hanya mempunyai dua kemungkinan nilai). Sebagai contoh aplikasi ini adalah untuk mengukur hubungan umur dengan terjangkit suatu penyakit, hubungan IPK dengan keberhasilan lulus studi tepat waktu dan lain-lain. Koefisien korelasi antara peubah kontinu X dengan peubah biner Y (sukses, Y = 1; gagal Y = 0) dihitung denga rumus : r pb n1n 0 x1 x0 n ( x x) Dengan n1 dan x1 adalah banyaknya pengamatan dan rata-rata X jika Y = 1, n0 dan x0 adalah banyaknya pengamatan dan rata-rata X untuk Y = 0. Contoh : Tabel berikut menunjukkan IPK dan keberhasilan mahasiswa dalam menyelesaikan studi tepat waktu. Hitunglah r pb! IPK (x) 3.75.50 3.45 3.10 3.30 3.67.85 4 / 5
Selesai studi tepat waktu? (Y=1, T=0) 1 0 1 1 1 1 0 IPK (x).98 3.76 3.08 3.3 3.44 3.00 3.05 Selesai studi tepat waktu? (Y=1, T=0) 0 0 1 1 1 0 0 Dari data diperoleh n0 6, n1 8, n 14, x 3.57, x0 3.033, x1 3.3775, ( x x) 1.7067, sehingga : r pb (8)(6) 3.3775 3.033 0.500 14 1.7076 Tugas : Buku Daniel (1990) hal. 400 latihan 9.19 (soal: korelasi parsial antara x dan y saat z konstan dan korelasi parsial antara w dan z saat y konstan, α=0.01), dan hal. 417 latihan 9.47 tentang korelasi point biserial. CUIWW (Correct Us If We re Wrong) Prepared by : Nur Andi Setiabudi, S. Stat Edited by : Didin Saepudin 5 / 5