Anda di halaman 1dari 12

Pengertian dan Analisis Korelasi Sederhana

dengan Rumus Pearson


Pengertian dan Analisis 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 Pearson 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=
.

nxy (x) (y)


{nx (x)} {ny2 (y)2}

Dimana :
n = Banyaknya Pasangan data X dan Y
x = Total Jumlah dari Variabel X
y = Total Jumlah dari Variabel Y
x2= Kuadrat dari Total Jumlah Variabel X

y2= Kuadrat dari Total Jumlah Variabel Y


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

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 :

Kriteria
Hubungan

Tidak ada
Korelasi

0 0.5

Korelasi Lemah

0.5 0.8

Korelasi sedang

0.8 1

Korelasi Kuat /
erat

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

24

10

22

21

20

22

19

20

23

24

11

10

25

13

11

21

12

20

13

20

14

19

15

25

12

16

27

13

17

28

16

18

25

12

19

26

14

20

24

12

21

27

16

22

23

23

24

13

24

23

11

25

22

26

21

27

26

12

28

25

11

29

26

13

30

27

14

Penyelesaian :
Pertama-tama hitunglah X, Y, XY dan totalnya seperti tabel dibawah ini :

Tanggal

Rata-rata Suhu
Ruangan (X)

Jumlah
Cacat (Y)

24

X2

Y2

XY

10

576

100

240

22

484

25

110

21

441

36

126

20

400

60

22

484

36

132

19

361

16

76

20

400

25

100

23

529

81

207

24

11

576

121

264

10

25

13

625

169

325

11

21

441

49

147

12

20

400

16

80

13

20

400

36

120

14

19

361

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

529

81

207

23

24

13

576

169

312

24

23

11

529

121

253

25

22

484

49

154

26

21

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=
.

nxy (x) (y)


{nx (x)} {ny2 (y)2}

r=
.

(30 . 6861) (699) (282)


{30. 16487 (699)} {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.
Untuk mempermudah kita dalam Menghitung Koefisien Korelasi, kita juga dapat menggunakan
Microsoft Excel. Silakan kunjungi : Cara Menghitung Koefisien Korelasi dengan menggunakan
Microsoft Excel untuk mengetahui langkah-langkah perhitungannya.

Analisis Regresi Linear Sederhana (Simple


Linear Regression)
Dickson Kho Ilmu Statistika

Analisis Regresi Linear Sederhana Regresi Linear Sederhana adalah Metode Statistik yang
berfungsi untuk menguji sejauh mana hubungan sebab akibat antara Variabel Faktor Penyebab (X)
terhadap Variabel Akibatnya. Faktor Penyebab pada umumnya dilambangkan dengan X atau disebut
juga dengan Predictor sedangkan Variabel Akibat dilambangkan dengan Y atau
disebut juga dengan Response. Regresi Linear Sederhana atau sering disingkat dengan SLR (Simple
linear Regression) juga
merupakan salah satu Metode Statistik yang dipergunakan dalam produksi untuk melakukan
peramalan ataupun prediksi tentang karakteristik kualitas maupun Kuantitas.
Contoh Penggunaan Analisis Regresi Linear Sederhana dalam Produksi antara lain :
1. Hubungan antara Lamanya Kerusakan Mesin dengan Kualitas Produk yang dihasilkan
2. Hubungan Jumlah Pekerja dengan Output yang diproduksi
3. Hubungan antara suhu ruangan dengan Cacat Produksi yang dihasilkan.

Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini :

Y = a + bX
Dimana :
Y = Variabel Response atau Variabel Akibat (Dependent)
X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)
a = konstanta
b = koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh Predictor.
Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini :
a = (y) (x) (x) (xy)
.

n(x) (x)

b = n(xy) (x) (y)


.

n(x) (x)

Berikut ini adalah Langkah-langkah dalam melakukan Analisis Regresi Linear Sederhana :
1. Tentukan Tujuan dari melakukan Analisis Regresi Linear Sederhana
2. Identifikasikan Variabel Faktor Penyebab (Predictor) dan Variabel Akibat (Response)
3. Lakukan Pengumpulan Data
4. Hitung X, Y, XY dan total dari masing-masingnya
5. Hitung a dan b berdasarkan rumus diatas.
6. Buatkan Model Persamaan Regresi Linear Sederhana.
7. Lakukan Prediksi atau Peramalan terhadap Variabel Faktor Penyebab atau Variabel Akibat.

Contoh Kasus Analisis Regresi Linear Sederhana


Seorang Engineer ingin mempelajari Hubungan antara Suhu Ruangan dengan Jumlah Cacat yang
diakibatkannya, sehingga dapat memprediksi atau meramalkan jumlah cacat produksi jika suhu
ruangan tersebut tidak terkendali. Engineer tersebut kemudian mengambil data selama 30 hari
terhadap rata-rata (mean) suhu ruangan dan Jumlah Cacat Produksi.

Penyelesaian
Penyelesaiannya mengikuti Langkah-langkah dalam Analisis Regresi Linear Sederhana adalah sebagai
berikut :

Langkah 1 : Penentuan Tujuan


Tujuan : Memprediksi Jumlah Cacat Produksi jika suhu ruangan tidak terkendali

Langkah 2 : Identifikasikan Variabel Penyebab dan Akibat


Varibel Faktor Penyebab (X) : Suhu Ruangan,
Variabel Akibat (Y) : Jumlah Cacat Produksi

Langkah 3 : Pengumpulan Data


Berikut ini adalah data yang berhasil dikumpulkan selama 30 hari (berbentuk tabel) :

Tanggal
1

Rata-rata Suhu Ruangan

Jumlah Cacat

24

10

22

21

20

22

19

20

23

24

11

10

25

13

11

21

12

20

13

20

14

19

15

25

12

16

27

13

17

28

16

18

25

12

19

26

14

20

24

12

21

27

16

22

23

23

24

13

24

23

11

25

22

26

21

27

26

12

28

25

11

29

26

13

30

27

14

Langkah 4 : Hitung X, Y, XY dan total dari masing-masingnya


Berikut ini adalah tabel yang telah dilakukan perhitungan X, Y, XY dan totalnya :

Tanggal

Rata-rata Suhu
Ruangan (X)

Jumlah
Cacat
(Y)

24

10

576

100

240

22

484

25

110

21

441

36

126

20

400

60

22

484

36

132

19

361

16

76

20

400

25

100

23

529

81

207

24

11

576

121

264

10

25

13

625

169

325

11

21

441

49

147

12

20

400

16

80

13

20

400

36

120

14

19

361

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

X2

Y2

XY

21

27

16

729

256

432

22

23

529

81

207

23

24

13

576

169

312

24

23

11

529

121

253

25

22

484

49

154

26

21

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

Langkah 5 : Hitung a dan b berdasarkan rumus Regresi Linear Sederhana


Menghitung Konstanta (a) :
a = (y) (x) (x) (xy)
.

n(x) (x)

a = (282) (16.487) (699) (6.861)


30 (16.487) (699)
a = -24,38

Menghitung Koefisien Regresi (b)


b = n(xy) (x) (y)
.

n(x) (x)

b = 30 (6.861) (699) (282)


.

30 (16.487) (699)

b = 1,45

Langkah 6 : Buat Model Persamaan Regresi


Y = a + bX
Y = -24,38 + 1,45X

Langkah 7 : Lakukan Prediksi atau Peramalan terhadap Variabel Faktor Penyebab


atau Variabel Akibat
I. Prediksikan Jumlah Cacat Produksi jika suhu dalam keadaan tinggi (Variabel X), contohnya : 30C
Y = -24,38 + 1,45 (30)
Y = 19,12
Jadi Jika Suhu ruangan mencapai 30C, maka akan diprediksikan akan terdapat 19,12 unit
cacat yang dihasilkan oleh produksi.
II. Jika Cacat Produksi (Variabel Y) yang ditargetkan hanya boleh 4 unit, maka berapakah suhu
ruangan yang diperlukan untuk mencapai target tersebut ?
4 = -24,38 + 1,45X
1,45X = 4 + 24,38
X = 28,38 / 1,45
X = 19,57
Jadi Prediksi Suhu Ruangan yang paling sesuai untuk mencapai target Cacat Produksi adalah
sekitar 19,57C