analisis suhu udara dan kelembapan relatif 2
DESCRIPTION
suhu udaraTRANSCRIPT
ANALISIS SUHU UDARA DAN KELEMBAPAN RELATIF
MENGGUNAKAN KORELASI DAN REGRESI SEDERHANA
PENDAHULUAN
Latar Belakang Masalah
Stasiun Meteorologi Ranai adalah salah satu Unit Pelaksana Teknis BMKG di
daerah yang berkewajiban memantau dan memprediksi perubahan cuaca di daerah
yang menjadi tanggung jawabnya. Untuk memprediksi cuaca tidaklah mudah karena
kondisi atmosfer bersifat dinamis atau senantiasa berubah-ubah dalam waktu yang
singkat. Untuk menghasilkan prediksi yang tepat, diperlukan data yang kontinyu dan
berkesinambungan.
Namun, hal tersebut tidaklah mudah untuk dicapai, karena alat-alat yang
digunakan tidak selamanya akan berfungsi dengan baik atau dengan kata lain
mengalami kerusakan. Hal ini menyebabkan data yang dihasilkan tidak kontinyu.
Oleh sebab itulah penulis mencoba melakukan suatu penelitian menggunakan korelasi
dan regresi sederhana agar bisa mengetahui keeratan hubungan antar parameter cuaca
dan menerka salah satu nilai parameter jika parameter yang lain tidak ada karena alat
rusak.
Sebagai permulaan, penulis akan menganalisis dua parameter cuaca yaitu suhu
dan kelembapan, karena data kedua parameter, penulis anggap penting untuk
memprediksi pemicu fenomena-fenomena cuaca bermakna di atmosfer seperti
thunderstorm salah satunya.
Rumusan Masalah
Dengan melihat latar belakang yang telah dikemukakan, maka beberapa masalah
yang dapat penulis rumuskan dan akan dibahas dalam makalah ini adalah:
1. Bagaimana keeratan hubungan antara suhu udara dan kelembapan relatif?
2. Bagaimana memprediksi nilai salah satu parameter jika parameter kedua tidak
ada?
3. Apakah model regresi sederhana untuk cocok untuk menganalisis hubungan
antara suhu udara dan kelembapan relative di Stasiun Meteorologi Ranai?
Tujuan Penelitian
Penulisan makalah ini dilakukan untuk memenuhi tujuan-tujuan yang diharapkan
dapat bermanfaat bagi kita semua dalam menambah ilmu pengetahuan dan wawasan.
Secara rinci, tujuan-tujuan tersebut adalah:
1. Mengetahui keeratan hubungan antara suhu udara dan kelembapan relatif
2. Mendapat suatu persamaan dari hubungan tersebut untuk digunakan dalam
memprediksi nilai kelelmbapan relatif dari suhu udara
Manfaat Penelitian
Manfaat yang diperoleh dari penelitian ini adalah didapatkannya persamaan
korelasi antara suhu bola kering dan kelembapan relatif di Stasiun Meteorologi Ranai,
sehingga bila suatu saat terjadi kerusakan pada thermometer bola basah ataupun
terdapat data hilang, kita dapat memperkirakan kelembapan relatif melalui persamaan
korelasi dan regresi linear sederhana yang kita peroleh.
Sistematika Penulisan
1. BAB I. PENDAHULUAN
2. BAB II. LANDASAN TEORI
3. BAB III. METODE PENELITIAN
4. BAB IV. ANALISA DAN PEMBAHASAN
5. BAB V. KESIMPULAN DAN SARAN.
LANDASAN TEORI
A. Suhu udara dan kelembaban
1. Suhu Udara
Suhu udara adalah ukuran energi kinetik rata – rata dari pergerakan molekul –
molekul. Suhu suatu benda ialah keadaan yang menentukan kemampuan benda
tersebut, untuk memindahkan (transfer) panas ke benda – benda lain atau menerima
panas dari benda – benda lain tersebut. Dalam sistem dua benda, benda yang
kehilangan panas dikatakan benda yang bersuhu lebih tinggi.
Alat pengukur suhu disebut termometer. Termometer dibuat dengan mendasarkan
sifat – sifat fisik dari suatu zat (bahan), misalnya pengembangan benda padat, benda
cair, gas dan juga sifat merubahnya tahanan listrik terhadap suhu. Suhu tidak
berdimensi sehingga untuk mengukur derajat suhu, pertama – tama ditentukan 2 titik
tertentu yang disesuaikan dengan suatu sifat fisik suatu benda tertentu. Kemudian
diantara dua buah titik yang telah di tentukan tersebut di bagi – bagi dalam skala –
skala, yang menunjukan derajat – derajat suhu. Skala – skala tersebut merupakan
pembagian suhu dan bukan satuan daripada suhu. Dengan demikian suhu 30°C tidak
berarti 3 x 10°C, dan 10°C berarti skala derajat C ke sepuluh. Skala suhu yang biasa
digunakan yaitu :
1.Skala Celsius, dengan titik es 0°C dan titik uap 100°C dan dibagi menjadi 100
bagian (skala).
2.Skala Fahreinheit, dengan titik es 32°F dan titik uap 212°F, dibagi menjadi 180
bagian (skala).
Variasi Harian Suhu Permukaan
Selama 24 jam, suhu udara selalu mengalami perubahan – perubahan. Di atas
lautan perubahan suhu berlangsung lebih banyak perlahan – lahan daripada di atas
daratan. Variasi suhu pada permukaan laut kurang dari 1°C, dan dalam keadaan
tenang variasi suhu udara dekat laut hampir sama. Sebaliknya diatas daerah
pedalaman continental dan padang pasir perubahan suhu udara permukaan antara
siang dan malam mencapai 20°C. Sedangkan pada daerah pantai variasinya
tergantung dari arah angin yang bertiup. Variasinya besar bila angin bertiup dari atas
daratan dan sebaliknya.
2. Kelembaban Udara
kelembaban udara adalah banyaknya kandungan uap air di atmosfer. Udara
atmosfer adalah campuran dari udara kering dan uap air. Beberapa cara untuk
menyatakan jumlah uap air yaitu :
a. Tekanan uap adalah tekanan parsial dari uap air. Dalam fase gas maka uap air di dalam atmosfer seperti gas sempurna (ideal).
b. Kelembaban mutlak yaitu massa air yang terkandung dalam satu satuan volume udara lengas.
c. Nisbah percampuran (mixing ratio) yaitu nisbah massa uap air terhadap massa udara kering.
d. Kelembaban spesifik didefinisikan sebagai massa uap air persatuan massa udara basah.
e. Kelembaban nisbi (RH) ialah perbandingan nisbah percampuran dengan nilai jenuhnya dan dinyatakan dalam %.
f. Suhu virtual.
Besaran yang sering dipakai untuk menyatakan kelembaban udara adalah kelembaban nisbi yang diukur dengan psikrometer atau higrometer. Kelembaban nisbi berubah sesuai tempat dan waktu. Pada siang hari kelembaban nisbi berangsur – angsur turun kemudian pada sore hari sampai menjelang pagi bertambah besar.
B. Korelasi dan regresi
1. Korelasi
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi / hubungan (measures of association). Pengukuran
asosiasi merupakan istilah umum yang mengacu pada sekelompok teknik dalam
statistik bivariat yang digunakan untuk mengukur kekuatan hubungan antara dua
variabel.
Pengukuran asosiasi mengenakan nilai numerik untuk mengetahui kekuatan
hubungan antara variabel. Dua variabel dikatakan berasosiasi jika perilaku variabel
yang satu mempengaruhi variabel yang lain. Jika tidak terjadi pengaruh, maka kedua
variabel tersebut disebut independen.
Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variabel
(kadang lebih dari dua variabel). Kuat lemah hubungan diukur diantara jarak (range) 0
sampai dengan 1. Korelasi mempunyai kemungkinan pengujian hipotesis dua arah
(two tailed). Korelasi searah jika nilai koefesien korelasi diketemukan positif;
sebaliknya jika nilai koefesien korelasi negatif, korelasi disebut tidak searah. Yang
dimaksud dengan koefesien korelasi ialah suatu pengukuran statistik kovariasi atau
asosiasi antara dua variabel. Jika koefesien korelasi diketemukan tidak sama dengan
nol (0), maka terdapat ketergantungan antara dua variabel tersebut. Jika koefesien
korelasi diketemukan +1. maka hubungan tersebut disebut sebagai korelasi sempurna
atau hubungan linear sempurna dengan kemiringan (slope) positif. Jika koefesien
korelasi diketemukan -1. maka hubungan tersebut disebut sebagai korelasi sempurna
atau hubungan linear sempurna dengan kemiringan (slope) negatif.
(http://www.jonathansarwono.info/korelasi/korelasi.htm)
Dalam korelasi sempurna tidak diperlukan lagi pengujian hipotesis, karena kedua
variabel mempunyai hubungan linear yang sempurna. Artinya variabel X
mempengaruhi variabel Y secara sempurna. Jika korelasi sama dengan nol (0), maka
tidak terdapat hubungan antara kedua variabel tersebut.
Dalam korelasi tidak dikenal istilah variabel bebas dan variabel tergantung.
Biasanya dalam penghitungan digunakan simbol X untuk variabel pertama dan Y
untuk variabel kedua. Dalam contoh hubungan antara variabel remunerasi dengan
kepuasan kerja, maka variabel remunerasi merupakan variabel X dan kepuasan kerja
merupakan variabel Y.
2. Regresi
Regresi linier adalah metode statistika yang digunakan untuk membentuk model
hubungan antara variabel terikat (dependen; respon; Y) dengan satu atau lebih
variabel bebas (independen, prediktor, X). Apabila banyaknya variabel bebas hanya
ada satu, disebut sebagai regresi linier sederhana, sedangkan apabila terdapat lebih
dari 1 variabel bebas, disebut sebagai regresi linier berganda.
Analisis regresi memiliki 3 kegunaan, yaitu untuk tujuan deskripsi dari fenomena
data atau kasus yang sedang diteliti, untuk tujuan kontrol, serta untuk tujuan prediksi.
Regresi mampu mendeskripsikan fenomena data melalui terbentuknya suatu model
hubungan yang bersifatnya numerik. Regresi juga dapat digunakan untuk melakukan
pengendalian (kontrol) terhadap suatu kasus atau hal-hal yang sedang diamati melalui
penggunaan model regresi yang diperoleh. Selain itu, model regresi juga dapat
dimanfaatkan untuk melakukan prediksi untuk
variabel terikat. Model regresi dapat dituliskan sebagai berikut ;
Ŷ=β₀+β₁X +e
dimana β₀ menunjukkan intersep (suatu titik perpotongan antara suatu garis dengan
sumbu Y pada diagram kartesius saat X=0. β₁ menunjukkan slope/ kemiringan garis
regresi dan e menunjukkan nilai error. Error dalam statistik memiliki arti semua hal
yang mungkin mempengaruhi variable Y, yang tidak diamati peneliti.
Setelah menaksir persamaan regresi dari data, masalah yang dihadapi selanjutnya
adalah menilai baik buruknya model regresi yang digunakan dengan data. Jadi kita
memerlukan ukuran tentang kecocokan model. Dalam regresi, kecocokan tersebut
ditunjukkan oleh nilai R². R² adalah koefisien korelasi darab atau koefisien penentu
(determinasi), dimana makin dekat R² dengan 1, maka makin baik kecocokan data
dengan model dan makin dekat dengan 0 makin jelek kecocokan data tersebut.
METODE PENELITIAN
Subyek penelitian adalah suhu dan kelembaban relative di Stasiun Meterologi
Ranai-Natuna. Untuk keperluan penelitian penulis mengambil sampel data rata-rata
suhu udara dan kelembaban relative bulan Januari 2010. Alasan penulis memakai data
bulan Januari adalah karena data bulan tersebut penulis anggap bisa mewakili
populasi yang ada.
Data suhu udara dan kelembaban relatif yang diambil adalah suhu udara pada jam
07.00, 13.00 dan 18.00 wib. Dimana dengan melalui perhitungan ((2xT/ RH
07.00)+T/RH 13.00+T/RH 18.00) : 4 akan memperoleh rata-rata suhu udara dan
kelembaban relatif dalam satu hari. Data rata-rata harian suhu udara dan kelembaban
relatif masing-masing berjumlah 31.
Data yang telah masuk dianalisis dengan metode korelasi dan regresi linear
sederhana dengan menentukan predictor dan responnya terlebih dahulu. Dalam
penelitian ini, penulis menetapkan suhu udara sebagai predictor (X) dan kelembaban
relatif sebagai respon (Y).
DATA RATA-RATA SUHU HARIAN DAN KELEMBABAN RELATIF
BULAN JANUARI 2010
STASIUN METEOROLOGI RANAI-NATUNA
SUHUKELEMBABAN
RELATIF26.5 8926.4 9028.1 8727.6 8827.0 8927.6 8727.4 8427.5 8727.9 8327.3 8227.0 8126.6 8326.6 8027.2 7926.5 7826.7 7926.8 8626.4 8226.8 8326.3 9125.3 8526.7 8327.8 8327.9 8227.3 8328.0 8227.8 8227.6 8326.7 83
27.6 8027.6 79
ANALISA DAN PEMBAHASAN
A. Mencari koefisien korelasi (r) dan Menentukan Model Regresi Linier
Berikut adalah table rata-rata suhu harian dan Rh di stasiun Ranai
TGL SUHU=X RH=Y X² Y² XY Ŷ1 26.5 89 699.6025 7876.563 2347.438 842 26.4 90 694.3225 8100 2371.5 843 28.1 87 788.2056 7482.25 2428.488 834 27.6 88 761.76 7700.063 2421.9 835 27.0 89 730.3506 7876.563 2398.469 846 27.6 87 759.0025 7612.563 2403.738 837 27.4 84 749.3906 6972.25 2285.813 838 27.5 87 756.25 7482.25 2378.75 839 27.9 83 778.41 6930.563 2322.675 83
10 27.3 82 745.29 6724 2238.6 8311 27.0 81 726.3025 6520.563 2176.213 8412 26.6 83 708.8906 6889 2209.875 8413 26.6 80 707.56 6440.063 2134.65 8414 27.2 79 739.84 6241 2148.8 8315 26.5 78 702.25 6006.25 2053.75 8416 26.7 79 710.2225 6280.563 2112.013 8417 26.8 86 715.5625 7396 2300.5 8418 26.4 82 695.6406 6683.063 2156.156 8419 26.8 83 716.9006 6847.563 2215.631 8420 26.3 91 691.69 8281 2393.3 8421 25.3 85 638.8256 7140.25 2135.738 8522 26.7 83 710.2225 6847.563 2205.288 8423 27.8 83 770.0625 6847.563 2296.313 8324 27.9 82 777.0156 6683.063 2278.781 8325 27.3 83 743.9256 6847.563 2257.006 8326 28.0 82 781.2025 6765.063 2298.888 8327 27.8 82 770.0625 6683.063 2268.563 8328 27.6 83 759.0025 6889 2286.65 8329 26.7 83 714.2256 6889 2218.175 8430 27.6 80 759.0025 6400 2204 8331 27.6 79 761.76 6162.25 2166.6 83
ΣX=839.8 ΣY=2589 Σx²=22762.75 ΣXY=70114.26
= 839,8/31 = 27,1= 2589/31 = 83,5
Untuk menganalisa sebuah data menggunakan korelasi dan regresi sederhana, hal
pertama yang dilakukan adalah mencari koefisien korelasi (r). Pengukuran koefisien
korelasi berguna untuk mengetahui hubungan antara X (suhu) dan Y (kelembaban
relatif). Dalam mencarinya digunakan persamaan berikut :
Dari perhitungan, didapat r sebesar -0,003226075, artinya tidak ada hubungan sekali
antara parameter suhu dan kelembaban relatif di kota Ranai. Namun, hasil tersebut
belum begitu memuaskan, karena korelasi hanya menggambarkan kedekatan
hubungan antara dua variable tersebut.
Untuk meneliti hubungan sebab-akibat antara dua variable tersebut, kita gunakan
analisis regresi.dalam analisis regresi, hal pertama yang harus dilakukan adalah
menentukan terlebih dahulu model regresi liniernya.
Model regresi linier secara umum dituliskan :
Ŷ=β₀+β₁X
Untuk mendapatkan persamaan tersebut pertama yang akan kita cari adalah β₁
β₁=
β₁=β₁=-0,73536
Setelah mendapatkan β₁, selanjutnya mencari nilai β₀
β₀= - β₁
= 83,5-(-0,73536)27,1
= 103,4212Sehingga, model regresi liniernya adalah sebagai berikut :Ŷ)=β₀+β₁X iŶ)=103,4212-0,73536X atau
Dari persamaan yang ada, beberapa hal yang dapat dijelaskan yaitu bahwa Ŷ
merupakan nilai taksir dari Y. Kemudian nilai β₁ sebesar 0,73536 memiliki arti bahwa
setiap perubahan predictor(variable bebas) X(suhu) akan diimbangi dengan
perubahan respon(variable terikat) Y(RH) sebesar 0,73536 %. Karena nilai β₁ ternyata negative 0.7356, ini berarti bahwa tiap kenaikan/ penurunan suhu akan diiringi dengan penurunan/ kenaikan Kelembaban ralatif sebesar 0.7356 %.Jika digambarkan dalam scatter plot, maka akan menghasilkan gambar sebagai berikut :
B. Menilai kecocokan Model menggunakan Koefisien korelasi Darab (R )²
Ŷ=-0,73536X +103,4212
Setelah menaksir persamaan regresi dari data, masalah yang kita hadapi adalah menilai baik buruknya kecocokan model regresi dengan data yang digunakan. Koefisien korelasi darab/ koefisien determinasi (α≠0)berangkat dari persamaan dasar dalam analisis regresi dan analisis variansi yaitu :Σ (yi- ) = ² Σ (Ŷi- ) +² Σ (yi- Ŷi) …(1)²
dimana ruas kiri disebut jumlah kuadrat total (JKT). JKT menyatakan jumlah
penyimpangan y disekitar nilai rata-ratanya. Kemudian, bagian pertama ruas kanan
disebut jumlah kuadrat regresi (JKR). JKT menyatakan pengaruh regresi, atau x,
pada respon y. Terakhir, bagian kedua dari ruas kanan disebut jumlah kuadrat sisa
(JKS). JKS ini mengukur sisa dari variasi total (JKT), yang tidak dapat diterangkan
oleh x. jadi persamaan (1) dapat pula ditulis sebagai berikut :
JKT = JKR + JKS
Dari ketiga unsur dalam persamaan tersebut yang bernilai tetap (tidak terpengaruh
oleh model) adalah JKT, sehingga untuk menilai kecocokan model memakai R², kita
harus membandingkan antara JKR dan JKT. Sehingga, diperoleh persamaan sebagai
berikut :
R² =
Untuk memudahkan perhitungan penulis menggunakan tebel seperti di bawah ini :
x y Ŷ Ŷ- (Ŷ- )² (y- ) (y- )² y-Ŷ (y-Ŷ)²26.5 89 84 0.5 0.221718158 5.3 27.5625 4.8 22.840087626.4 90 84 0.5 0.296377766 6.5 42.25 6.0 35.469101328.1 87 83 -0.7 0.524314158 3.0 9 3.7 13.868886627.6 88 83 -0.4 0.140473503 4.3 18.0625 4.6 21.388756127.0 89 84 0.0 0.002307439 5.3 27.5625 5.2 27.060431427.6 87 83 -0.3 0.114264144 3.8 14.0625 4.1 16.711987627.4 84 83 -0.2 0.043823763 0.0 0 0.2 0.0438237627.5 87 83 -0.3 0.090758578 3.0 9 3.3 10.898328427.9 83 83 -0.6 0.354509341 -0.3 0.0625 0.3 0.1193059127.3 82 83 -0.2 0.023774257 -1.5 2.25 -1.3 1.8112071727.0 81 84 0.1 0.010647772 -2.8 7.5625 -2.9 8.1406820126.6 83 84 0.3 0.117087864 -0.5 0.25 -0.8 0.709268926.6 80 84 0.4 0.130007203 -3.3 10.5625 -3.6 13.036180527.2 79 83 -0.1 0.006504862 -4.5 20.25 -4.4 19.530630426.5 78 84 0.4 0.188444046 -6.0 36 -6.4 41.3976611
26.7 79 84 0.3 0.104844473 -4.3 18.0625 -4.6 20.919618726.8 86 84 0.3 0.062630396 2.5 6.25 2.2 5.0613271126.4 82 84 0.5 0.276698941 -1.8 3.0625 -2.3 5.1802752626.8 83 84 0.2 0.053766748 -0.8 0.5625 -1.0 0.9640816226.3 91 84 0.6 0.337763261 7.5 56.25 6.9 47.870152725.3 85 85 1.3 1.782014557 1.0 1 -0.3 0.112172226.7 83 84 0.3 0.104844473 -0.8 0.5625 -1.1 1.1530399227.8 83 83 -0.5 0.235324348 -0.8 0.5625 -0.3 0.0701707327.9 82 83 -0.6 0.332955304 -1.8 3.0625 -1.2 1.3758755327.3 83 83 -0.1 0.018442985 -0.8 0.5625 -0.6 0.3772355628.0 82 83 -0.6 0.39964526 -1.3 1.5625 -0.6 0.381707727.8 82 83 -0.5 0.235324348 -1.8 3.0625 -1.3 1.5999659127.6 83 83 -0.3 0.114264144 -0.5 0.25 -0.2 0.0262343526.7 83 84 0.3 0.072169993 -0.5 0.25 -0.8 0.5908147327.6 80 83 -0.3 0.114264144 -3.5 12.25 -3.2 9.9980555727.6 79 83 -0.4 0.140473503 -5.0 25 -4.6 21.392494
JKR = Σ (Ŷi- )² = 6,7JKT = Σ (yi- )² = 356,8JKS = Σ (yi- Ŷi)² = 350,1Sehingga nilai
R² =
R² =
Nilai tersebut, artinya bahwa sebesar 1,86% dari seluruh variasi total y diterangkan
oleh regresi, atau x. Sedangkan sisanya 98.4% lagi variasi y yang tidak dapat
diterangkan oleh model yang kita gunakan. Bagian sisanya sebesar 98,45 ini
kemungkinan disebabkan oleh fakto-faktor lain yang gagal diperhitungkan oleh
model. Factor-faktor tersebut salah satunya ialah human error (kesalahan manusia)
saat melakukan observasi).
C. Analisis Variansi
Dalam analisis variansi, digunakan suatu pembanding baku yang disebut dengan
penaksir tak bias σ². σ², dapat diperoleh dari Jumlah Kuadrat Sisa, yaitu JKS/(n-2),
yaitu rataan kuadrat sisa (RKS). Pembanding baku adalah suatu pembanding yang
tidak dipengaruhi oleh baik buruknya model, sehingga bisa memberikan gambaran
yang lebih jelas mengenai pengaruh suatu predictor (suhu), terhadap respon
(kelembaban relatif).
Analisis variansi, berujung pada pengujian suatu hipotesis. Dimana dalam regresi,
dikenal dua macam hipotesis yaitu Hipotesis Nol (HN) dan Hipotesis tandingan (HT).
Dalam hipotesis nol, memiliki ketentuan β=0 dan untuk hipotesis tandingan, memiliki
ketentuan β≠0. Untuk membuktikan apakah hipotesis itu termasuk HN atau HT, yang
akan digunakan adalah nisbah dari RKR/ RKS. Bila nisbah lebih besar dari 1, maka
kesimpulannya adalah β≠0, sebaliknya bila nisbah kurang dari satu atau sama dengan
satu maka kesimpulannya β=0.
Untuk memudahkan perhitungan, digunakanlah table analisis variansi seperti di
bawah ini :
Sumber variasi
JK (Jumlah Kuadrat)
Dk (derajat kebebasan)
RK (rataan kuadrat)
F-hitung
Regresi JKR 1 RKR = JKR/1 RKR/ RKS
Sisa JKS n-2 RKS = JKS/ n-2
Total JKT n-1
Dari data suhu dan kelembaban relatif, diperoleh hasil :
RKR = JKR/1 = 6,7
RKS = JKS/ n-2 = 350,1/ 31-2 = 12,1
Sumber variasi
JK (Jumlah Kuadrat)
Dk (derajat kebebasan)
RK (rataan kuadrat)
F-hitung
Regresi JKR 1 6,7 0,551
Sisa JKS 29 12,1
Total JKT 30
Dari perhitungan didapatkan F = 6,7/ 12,1 = 0,551. Dari table F, untuk α = 0,05
didapatkan F (1, 29) adalah 4, 185. Jadi, HN: β = 0, diterima. Dengan kata lain, bahwa
predictor (suhu) tidak memiliki pengaruh terhadap respon (kelembaban relatif).
KESIMPULAN
Berdasarkan data-data yang ada dan analisis menggunakan korelasi dan regresi
linier sederhana didapatkan beberapa kesimpulan sebagai berikut :
1. Di Stasiun Meteorologi Ranai, nilai parameter Kelembaban Relatif tidak bisa
diprediksi dari nilai parameter Suhu Udara, karena tidak ada hubungan sama
sekali antara Suhu udara dan Kelembaban relatif. Hal ini dapat dibuktikan dengan
nilai koefisien korelasi r sebesar 0,003226075 dan diterimanya hipotesis nol (β=0)
dalam uji-F.
2. Model Regresi linier tidak cocok digunakan di Stasiun Meteorologi Ranai, karena
Pertama variasi total Y (kelembaban Relatif) yang bisa diterangkan model hanya
sebesar 1,86% dan Kedua, nilai respon Y (kelembaban Relatif) di Stasiun
Meteorologi Ranai banyak dipengaruhi oleh factor-faktor lain di luar suhu, hal ini
ditunjukkan dengan sisa sebesar 98,4%.
SARAN
Tiada gading yang tak retak, begitu juga dengan makalah ini. Oleh karena itu, penulis selalu mengharapkan adanya kritik dan saran yang membangun, agar makalah berikutnya bisa menjadi lebih baik lagi.
DAFTAR PUSTAKA
Dajan, Anto. (1972). Pengantar Metode Statistik Jilid I. Penerbit LP3ES, Jakarta.
Sembiring, R.K. (1995). Analisis Regresi. Penerbit ITB, Bandung.