Anda di halaman 1dari 18

PROBABILITAS DAN STATISTIKA C

TUGAS CATATAN KULIAH 6

OLEH:
DEVI ANANDA PUTRI
1810951035

JURUSAN TEKNIK ELEKTRO


FAKULTAS TEKNIK
UNIVERSITAS ANDALAS
2020
Kuliah #6: Korelasi dan Regresi Linear

Nama Kuliah : TE2313 Probabilitas dan Statistika


Dosen : Mumuh Muharam
Tanggal : Jumat , 6 Maret 2020

Pendahuluan

Sepanjang sejarah umat manusia,orang melakukan penelitian tentang ada


tidaknya hubungan antara dua hal,fenomena,kejadian atau lainnya. Dan ada tidaknya
pengaruh antara satu kejadian dengan kejadian yang lainnya. Karena itu untuk
mempermudah dalam melakukan penghitungan suatu kejadian maka digunakan
korelasi dan regresi dalam ilmu statistika.
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi / hubungan (Measures of association). Teknik ini berguna untuk
mengukur kekuatan hubungan antara dua variabel (kadang lebih dari dua variabel)
dengan skala-skala tertentu.
Regresi merupakan salah satu analisis yang bertujuan untuk mengetahui pengaruh
suatu variabel terhadap variabel lain .Dalam analisis regresi ,variabel yang
mempengaruhi disebut independent variabel (variable bebas) dan variabel yang
dipengaruhi disebut dependent variabel (variabel terikat).

Isi

A. Korelasi

a) Pengertian

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.

Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui


keeratan hubungan antara dua variabel dan untuk mengetahui arah hubungan yang
terjadi. Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang
terjadi antara dua variabel. Dalam SPSS ada tiga metode korelasi sederhana (bivariate
correlation) diantaranya Pearson Correlation, Kendall’s tau-b, dan Spearman
Correlation. Pearson Correlation digunakan untuk data berskala interval atau rasio,
sedangkan Kendall’s tau-b, dan Spearman Correlation lebih cocok untuk data
berskala ordinal.

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 sebenarnya
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.

Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui


keeratan hubungan antara dua variabel dan untuk mengetahui arah hubungan yang
terjadi. Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang
terjadi antara dua variabel.

b) Analisa Korelasi

Analisa Korelasi digunakan untuk mengukur kekuatan keeratan hubungan


antara dua variabel melalui sebuah bilangan yang disebut koefisien korelasi. Dalam
analisis korelasi, kita menghitung derajat asosiasi antara satu peubah peubah lain
(misalnya antara berat badan dan tinggi badan, antara berat dengan kolesterol, antara
nilai IQ dengan perolehan nilai ujian mata matematika dan sebagainya). Ada dua jenis
ukuran korelasi yang banyak yaitu:

1. Korelasi produk momen Pearson untuk mengukur derajat asosiasi beberapa


peubah dengan skala interval atau rasio.
2. Korelasi Spearman untuk mengukur derajat asosiasi antara beberapa
dengan skala ordinal (rank).

· Koefisien korelasi linier ( r ) adalah ukuran hubungan linier antara dua


variabel/peubah acak X dan Y untuk mengukur sejauh mana titik-titik
menggerombol sekitar sebuah garis lurus regresi. Berikut ini adalah rumus dari
Korelasi :
Koefisien korelasi atau derajat asosiasi dua peubah (dinotasikan dengan r).
Besarnya r berkisar antara -1<.r<1. Ilustrasi grafik sebaran data dengan berbagai nilai
korelasi dapat disajikan dalam bentuk diagram pencar.

Kegunaan diagram pencar :

1. Membantu menunjukkan apakah terdapat hubungan yang bermanfaat


antara dua variabel.
2. Membantu menetapkan tipe persamaan yang menunjukkan hubungan antara
kedua variabel tersebut.
3. Menentukan persamaan garis regresi atau mencari nilai-nilai konstan.

· Koefisien Determinasi ( r2 )
1. nilainya antara 0 dan 1
2. Untuk menyatakan proporsi keragaman total nilai-nilai peubah Y yang dapat
dijelaskan oleh nilai-nilai peubah X melalui hubungan linier tersebut.
3. Contoh : r = 0,6 artinya 0,36 atau 36 % diantara keragaman total
nilai-nilai Y dapat dijelaskan oleh hubungan liniernya dengan nilai-nilai X.
atau Besarnya sumbangan X terhadap naik turunnya Y adalah 36 %
sedangkan 64 % disebabkan oleh faktor lain.
B. Regresi

a) Pengertian

Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton pada tahun
1886. Galton menemukan adanya tendensi bahwa orang tua yang memiliki tubuh
tinggi memiliki anak-anak yang tinggi, orang tua yang pendek memiliki anak-anak
yang pendek pula. Kendati demikian. Ia mengamati bahwa ada kecenderungan tinggi
anak cenderung bergerak menuju rata-rata tinggi populasi secara keseluruhan. Dengan
kata lain, ketinggian anak yang amat tinggi atau orang tua yang amat pendek
cenderung bergerak kearah rata-rata tinggi populasi. Inilah yang disebut hukum
Golton mengenai regresi universal. Dalam bahasa galton, ia menyebutkan sebagai
regresi menuju mediokritas.

Hukum regresi semesta (law of universal regression) dari Galton diperkuat oleh
temannya Karl Pearson, yang mengumpulkan lebih dari seribu catatan tinggi anggota
kelompok keluarga. Ia menemukan bahwa rata-rata tinggi anak laki-laki kelompok
ayah (yang) pendek lebih besar dari pada tinggi ayah mereka, jadi
“mundurnya” (“regressing”) anak laki-laki yang tinggi maupun yang pendek serupa
kea rah rata-rata tinggi semua laki-laki. Dengan kata lain Galton, ini adalah
“kemunduran kearah sedang”.

Secara umum, analisis regresi pada dasarnya adalah studi mengenai


ketergantungan satu variabel dependen (terikat) dengan satu atau lebih variabel
independent (variabel penjelas/bebas), dengan tujuan untuk mengestimasi dan/ atau
memprediksi rata-rata populasi atau niiai rata-rata variabel dependen berdasarkan
nilai variabe! independen yang diketahui. Pusat perhatian adalah pada upaya
menjelaskan dan mengevalusi hubungan antara suatu variabel dengan satu atau lebih
variabel independen.

Hasil analisis regresi adalah berupa koefisien regresi untuk masing-masing


variable independent. Koefisien ini diperoleh dengan cara memprediksi nilai variable
dependen dengan suatu persamaan.

pengaruh satu variabel bebas terhadap variabel terikat dapat dibuat persamaan sebagai
berikut :
Rumus 1.1 :

Y = a + b X.
Keterangan :
Y : Variabel terikat (Dependent Variable);
X : Variabel bebas (Independent Variable);
a : Konstanta; dan
b : Koefisien Regresi.
Untuk mencari persamaan garis regresi dapat digunakan berbagai pendekatan
(rumus), sehingga nilai konstanta (a) dan nilai koefisien regresi (b) dapat dicari
dengan metode sebagai berikut :
Rumus 1.2 :

a = [(ΣY . ΣX2) – (ΣX . ΣXY)] / [(N . ΣX2) – (ΣX)2] atau a = (ΣY/N) –


b (ΣX/N)
b = [N(ΣXY) – (ΣX . ΣY)] / [(N . ΣX2) – (ΣX)2]
Contoh :
Berdasarkan hasil pengambilan sampel secara acak tentang pengaruh lamanya belajar
(X) terhadap nilai ujian (Y) adalah sebagai berikut :

Tabel 1.1 data hubungan lama belajar terhadap nilai ujian


(nilai ujian) X (lama belajar) X2 XY
40 4 16 160
60 6 36 360
50 7 49 350
70 10 100 700
90 13 169 1.170
ΣY = 310 ΣX = 40 ΣX2 = 370 ΣXY = 2.740

Dengan menggunakan rumus di atas, nilai a dan b akan diperoleh sebagai berikut :
a = [(ΣY . ΣX2) – (ΣX . ΣXY)] / [(N . ΣX2) – (ΣX)2]
a = [(310 . 370) – (40 . 2.740)] / [(5 . 370) – 402] = 20,4

b = [N(ΣXY) – (ΣX . ΣY)] / [(N . ΣX2) – (ΣX)2]


b = [(5 . 2.740) – (40 . 310] / [(5 . 370) – 402] = 5,4

Sehingga persamaan regresi sederhana adalah Y = 20,4 + 5,2 X

Berdasarkan hasil penghitungan dan persamaan regresi sederhana tersebut di atas,


maka dapat diketahui bahwa :
1) Lamanya belajar mempunyai pengaruh positif (koefisien regresi (b) = 5,2)
terhadap nilai ujian, artinya jika semakin lama dalam belajar maka akan semakin baik
atau tinggi nilai ujiannya;
2) Nilai konstanta adalah sebesar 20,4, artinya jika tidak belajar atau lama belajar
sama dengan nol, maka nilai ujian adalah sebesar 20,4 dengan asumsi
variabel-variabel lain yang dapat mempengaruhi dianggap tetap.

Analisis Korelasi (r) : digunakan untuk mengukur tinggi redahnya derajat


hubungan antar variabel yang diteliti. Tinggi rendahnya derajat keeratan tersebut
dapat dilihat dari koefisien korelasinya. Koefisien korelasi yang mendekati angka + 1
berarti terjadi hubungan positif yang erat, bila mendekati angka – 1 berarti terjadi
hubungan negatif yang erat. Sedangkan koefisien korelasi mendekati angka 0 (nol)
berarti hubungan kedua variabel adalah lemah atau tidak erat. Dengan demikian nilai
koefisien korelasi adalah – 1 ≤ r ≤ + 1. Untuk koefisien korelasi sama dengan – 1
atau + 1 berarti hubungan kedua variabel adalah sangat erat atau sangat sempurna
dan hal ini sangat jarang terjadi dalam data riil. Untuk mencari nilai koefisen korelasi
(r) dapat digunakan rumus sebagai berikut :
Rumus 1.3 :

Contoh :
Sampel yang diambil secara acak dari 5 mahasiswa, didapat data nilai Statistik dan
Matematika sebagai berikut :

Tabel 1.2.Data nilai mahasiswa


Sampel X (statistik) Y (matematika) XY X2 Y2
1 2 3 6 4 9
2 5 4 20 25 16
3 3 4 12 9 16
4 7 8 56 49 64
5 8 9 72 64 81
Jumlah 25 28 166 151 186

r = [(N . ΣXY) – (ΣX . ΣY)] / √{[(N . ΣX2) – (ΣX)2] . [(N . ΣY2) – (ΣY)2]}
r = [(5 . 166) – (25 . 28) / √{[(5 . 151) – (25)2] . [(5 . 186) – (28)2]} = 0,94

Nilai koefisien korelasi sebesar 0,94 atau 94 % menggambarkan bahwa antara


nilai statistik dan matematika mempunyai hubungan positif dan hubungannya erat,
yaitu jika mahasiswa mempunyai nilai statistiknya baik maka nilai matematikanya
juga akan baik dan sebaliknya jika nilai statistik jelek maka nilai matematikanya juga
jelek.

b) Tujuan Analisis Regresi


1) Untuk memperoleh suatu persamaan garis yang menunjukkan
persamaan hubungan antara dua variabel. Persamaan garis yang
diperoleh disebut persamaan regresi.
2) Untuk mengetahui besarnya pengaruh perubahan tiap unit variabel
bebas terhadap perubahan variabel terikatnya. Pengaruh perubahan tiap
unit variabel bebas ditunjukkan oleh nilai koefisien regresinya.
3) Untuk menaksir nilai variabel terikat (Y) berdasarkan variabel bebas (X)
yang nilainya telah diketahui. Penaksiran disini bersifat deterministik
(pasti) atau non-stokastik, maksudnya penaksiran atau pendugaan yang
dilakukan mengabaikan faktor ketidakpastian.
C. Analisis Korelasi dan Regresi dengan Excel

1. Untuk dapat menggunakan perintah data analisis:


a. Aktifkan program Microsoft Excel hingga terdapat worksheet kosong.
b. Klik File, Klik Menu Options,
c. Sebuah kotak dialog Excel Options ditampilkan, dan klik menu add-ins,
d. Dibagian bawah terdapat kotak Manage: Excel Add-ins. Klik icon Go.
e. Check list Anaylsis Tool Pak dan klik Go

2. Analisis Regresi
Analisis regresi bertujuan untuk melihat pengaruh satu variabel terhadap variabel
lainnya.

Langkah-langkah membuat Regresi dengan menggunakan excel:

Ketik data X pada kolom B dan data Y pada kolom C

 Pilih Data pada menu utama


 Pilih Data Analysis
 Pilih Regression
 Klik OK Setelah muncul kotak dialog
 Pada input Y range , sorot pada range C3:C7
 Pada input X range, sorot pada range B3:B7
 Pada output range, ketik A9
 Klik OK

3. Analisis Korelasi
a. Analisis korelasi juga dapat digunakan dalam Excel.
b. Korelasi menunjukkan keeratan hubungan antar variabel
c. Keeratan tersebut dicerminkan dari nilai korelasi yang semakin tinggi.
d. Nilai korelasi berada di antara 0 hingga 1
e. Tanda nya dapat positip dan negatif
f. Positif menunjukkan hubungan dua variabel searah sedang negatif
menunjukkan hubungan kedua variabel berlawanan.

Langkah-langkahnya membuat korelasi dengan menggunakan excel:

 Pilih Data pada menu utama


 Pilih Data analysis
 Pilih Correlation
 Klik OK Setelah muncul kotak dialog
 Pada Input Range, sorot pada range A2:B11
 Pada Output Range, ketik D23
 Klik OK
4. Membuat grafik regresi linier
a) Pilih menu Insert – Scatter, pilih type scatter only mark
b) Pada Chart Layout dimenu bar, pilih Layout ke 3. Maka hasil yang akan
keluar.

D. Perbedaan Korelasi dan Regresi

Regresi mempelajari bentuk hubungan antar variabel mealui suatu persamaan.


Persamaan yang digunakan untuk melihat hubungan antar variabel adalah Regresi
Linear Sederhana (RLS), Regresi Linear Berganda (RLB), dan Regresi non Linear.
Regresi bisa berupa hubungan sebab akibat.

Regresi mengukur seberapa besar suatu variabel mempengaruhi variabel yang


lain, sehingga dapat digunakan untuk melakukan peramalan nilai suatu variabel
berdasarkan variabel lain.

Korelasi juga mempelajari hubungan antar variabel, tetapi digunakan untuk


melihat seberapa erat hubungan antar dua variabel kuantitatif dilihat dari besarnya
angka dan bukan dari tandanya.

Dengan menggunakan korelasi, kita dapat mengetahui arah hubungan yang


terjadi dalam dua variabel. Jika korelasi bertanda positif artinya berbanding lurus dan
jika bertanda negatif maka berbanding terbalik.

E. Scatter Diagram (Diagram Pencar)

a) Pengertian

Digram scatter adalah salah satu alat dari QC seven tools ( 7 alat pengendalian
kualitas ) yang berfungsi untuk melakukan pengujian seberapa kuatnya hubungan dua
variabel serta menentukan dari dua variabel tersebut apakah hubungan positip ataupun
tidak ada hubungan sama sekali. jenis hubungan Scatter diagram sangat berguna
untuk mendeteksi korelasi (hubungan) antara dua variable (faktor), sekaligus juga
memperlihatkan tingkat hubungantersebut (kuat atau lemah). Diagram scatter juga
menjadi dasar pembuatan chart yang sering digunakan dalam peramalan. Pada
pemanfaatannya, scatter diagram membutuhkan data berpasangan sebagai bahan baku
analisisnya, yaitu sekumpulan nilai x sebagai faktor yangindependen berpasangan
dengan sekumpulan nilai y sebagai faktor dependen.Artinya, bahwa setiap nilai x
yang didapatkan memberi dampak pada nilai y.

b) Tujuan Penggunasn Scatter Diagram

a. Menguji bagaimana kuatnya hubungan antara dua variabel


b. Menentukan jenis hubungan dari dua variabel itu, apakah positif, negatif
dantidak ada hubungan.

c) Fungsi Diagram Pencar


Scatter diagram merupakan alat interpretasi data yang akan digunakan untuk :
a. Menguji seberapa kuat hubungan antara dua variable (misalnya, hubungan
antara biaya iklan dengan penjualan, lama pengalaman dengan kinerja
karyawan, dll.)
b. Memastikan firasat akan hubungan sebab-akibat langsung antara jenis-jenis
variabel.
c. Menentukan jenis hubungan (positif, negatif, dll.)
Kesimpulan

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.

Analisa Korelasi digunakan untuk mengukur kekuatan keeratan hubungan antara


dua variabel melalui sebuah bilangan yang disebut koefisien korelasi. Dalam analisis
korelasi, kita menghitung derajat asosiasi antara satu peubah peubah lain (misalnya
antara berat badan dan tinggi badan, antara berat dengan kolesterol, antara nilai IQ
dengan perolehan nilai ujian mata matematika dan sebagainya).

Analisis regresi pada dasarnya adalah studi mengenai ketergantungan satu


variabel dependen (terikat) dengan satu atau lebih variabel independent (variabel
penjelas/bebas), dengan tujuan untuk mengestimasi dan/ atau memprediksi rata-rata
populasi atau niiai rata-rata variabel dependen berdasarkan nilai variabe! independen
yang diketahui. Pusat perhatian adalah pada upaya menjelaskan dan mengevalusi
hubungan antara suatu variabel dengan satu atau lebih variabel independen.

Digram scatter adalah salah satu alat dari QC seven tools ( 7 alat pengendalian
kualitas ) yang berfungsi untuk melakukan pengujian seberapa kuatnya hubungan dua
variabel serta menentukan dari dua variabel tersebut apakah hubungan positip ataupun
tidak ada hubungan sama sekali. jenis hubungan Scatter diagram sangat berguna
untuk mendeteksi korelasi (hubungan) antara dua variable (faktor), sekaligus juga
memperlihatkan tingkat hubungantersebut (kuat atau lemah).
Daftar Pustaka

Riandry, Muhammad Aldy. 2014. Makalah Statistika “ Regresi dan Kolelasi”.


Diakses di
http://statistikfisika.blogspot.com/2014/11/makalah-statistika-regresi-dan-korelasi_23.
html pada 8 Maret 2020 pukul 07.41 WIB.

Santoso, Slamet. 2008. ANALISIS REGRESI dAN KORELASI (Materi VIII :


Analisis Regresi dan Korelasi Sederhana). Diakses di
http://ssantoso.blogspot.com/2008/08/analisis-regresi-dan-korelasi-materi.html pada 8
Maret 2020 pukul 08.12 WIB.

Pengetahuan Islam. 2016. Analisis Regresi dan Korelasi. Diakses di


https://ilmupengatahuanhukum.blogspot.com/2016/01/analisis-regresi-dan-korelasi.ht
ml pada 10 maret 2020 pukul 13.15 WIB.
Lampiran

1. Cari data dari internet yang berkaitan dengan Korelasi (hubungan) dua variabel :

Tabel 1.3. keterkaitan antara jam kerja dan target yang telah dicapai oleh karyawan

No Nama Jam Kerja Target

1 didi 9 85

2 agus 7 77

3 tono 9 88

4 yanto 10 99

5 ani 5 55

6 yanti 6 65

7 gugun 7 87

8 raisa 6 71

9 micha 9 89

10 cecil 7 67

a) Buat diagram scatter

Grafik 1.1 keterkaitan antara jam kerja dan target yang telah dicapai oleh
karyawan
Berikut adalah diagram scatter dari data berikut yang mana nilai korelasinya
adalah 0.9098

b) Hitung rxy

Tabel 1.4. keterkaitan antara jam kerja dan target yang telah dicapai oleh
karyawan

No Xi Yi Xi.Yi Xi2

1 9 85 765 81
2 7 77 539 49
3 9 88 792 81
4 10 99 990 100
5 5 55 275 25
6 6 65 390 36
7 7 87 609 49
8 6 71 426 36
9 9 89 801 81
10 7 67 469 49
Total 75 783 6056 587

75 783
X  7,5 Y  78,3
10 10

( X i  X )(Yi  Y ) ( X i  X ) 2 (Yi  Y ) 2
S X ,Y  SX  SY 
n 1 n 1 n 1

183,5 24,5
S X ,Y   20,388 SX   1,64
10  1 9
1660,1
SY   13,58
9

S X ,Y 20,388
rX ,Y    0,9154
S X SY 1,64.13,58

c) Regresi linearnya

75 783
X  7,5 Y  78,3
10 10
Yreg= A0 + A1.x
Ket :
A0 = intercept = 22,1265
A1 = Slope, gradien = 7,4897

6056  (75.783) / 10
  7,4897
587  5625 / 10

y  b0  b1 x
78,3  b0  7,4897(7,5)
78,3  b0  56,17
__ b0  22,12

Persamaan : Y = 22,12 + 7,48 X

Grafik :

Grafik 1.2. Grafik linear

Dari grafik diatas dapat dilihat bahwa berdasarkan persamaan y = 22,127 +


7,4898 x didapatkan strong positif correlasition yang mana semakin bessar nilai x
maka semakin besar pula nilai y, begitu juga sebaliknya

2. Dari data 1, tambahkan satu data outlier, lalu bandingkan dengan data 1.

Tabel 1.5. keterkaitan antara jam kerja dan target yang telah dicapai oleh karyawan
No Nama Jam Kerja Target

1 didi 9 85

2 agus 7 77

3 tono 9 88

4 yanto 10 99

5 ani 5 55

6 yanti 6 65

7 gugun 7 87

8 raisa 6 71

9 micha 9 89

10 cecil 7 67

11 hani 2 32

a) Buatlah diagram scatter

Grafik 1.3 keterkaitan antara jam kerja dan target yang telah dicapai oleh karyawan

Berikut adalah diagram scatter dari data berikut yang mana nilai korelasinya
adalah 0.9579

b) Hitunglah rx,y

Tabel 1.6. keterkaitan antara jam kerja dan target yang telah dicapai oleh karyawan
No Xi Yi Xi.Yi Xi2

1 9 85 765 81
2 7 77 539 49
3 9 88 792 81
4 10 99 990 100
5 5 55 275 25
6 6 65 390 36
7 7 87 609 49
8 6 71 426 36
9 9 89 801 81
10 7 67 469 49
11 2 32 64 4
Total 77 815 6120 591

77 815
X 7 Y  74,09
11 11

( X i  X )(Yi  Y ) ( X i  X ) 2 (Yi  Y ) 2
S X ,Y  SX  SY 
n 1 n 1 n 1

415 52
S X ,Y   41,5 SX   2,28
11  1 10
3608,9
SY   18,99
10

S X ,Y 41,5
rX ,Y    0,95
S X SY 2,28.18,99

c) Regresi liniernya

77 815
X 7 Y  74,09
11 11

Yreg= A0 + A1.x
Ket :
A0 = intercept = 18,22
A1 = Slope, gradien = 7,89

6120  (77.815) / 11
  7,98
591  5929 / 11

y  b0  b1 x
74,09  b0  7,98(7)
74,09  b0  55,86
__ b0  18,23

Persamaan : Y = 18,23 + 7,98 X

Grafik :
Grafik 1.4. Grafik linear

Dari grafik diatas dapat dilihat bahwa berdasarkan persamaan y = 18,23 + 7,98 x
didapatkan strong positive correlation. Setelah ditambah satu data, sehingga diperoleh
kesimpulan, dengan adanya perubahan data dapat merubah nilai correlasi dan nilai
regresi linear pada data tersebut.

Perbandingan :

Berdasarkan dari Data 1 dan Data 2 setelah ditambah outlier dapat dibandingkan.
Jika nilai pada data ditambah nilai outlier, maka adanya perubahan nilai korelasi dan
nilai regresi pada data tersebut.

Anda mungkin juga menyukai