MAKALAH STATISTIKA

Statistika Inferensial: Penerapan Korelasi Product Moment, Korelasi Point Biserial,

Regresi Sederhana, dan Regresi Ganda

Disusun untuk memenuhi tugas matakuliah Statistika untuk Pendidikan Fisika

Yang dibimbing oleh Drs. Agus Suyudi, M.Pd

Disusun oleh:
Annisa Zahra Ayu Lestari (200321614859)
Fathia Pramesthi (200321614893)
Margaretha (200321614919)
Mohammad Jazil Saidan (200321614810)
Muhammad Syarha Fath Aminullah (200321614915)
Shalsabela Arief Normalita (200321614856)
Zeni Zamara (200321614887)

PROGRAM STUDI PENDIDIKAN FISIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUA ALAM
UNIVERSITAS NEGERI MALANG
MARET 2022
1. PENDAHULUAN
Statistika berasal dari bahasa Latin (status) yang berarti negara (Budiwanto, 2017).
Statistika merupakan kumpulan dari konsep dan metode yang digunakan untuk
mengumpulkan, menyajikan, menganalisis, serta untuk menginterpretasikan data
kuantitatif suatu fakta tentang suatu bidang kegiatan tertentu (Budiwanto, 2017). Statistika
juga disebut sebagai ilmu pengetahuan yang berhubungan dengan cara-cara bagaimana
pengumpulan, penyajian, pengolahan, analisis data serta cara bagaimana penarikan
kesimpulan dapat dilakukan (Sutarto Hadi, 2018). Statistika dapat dibedakan menjadi dua
jenis berdasarkan cara atau metode mengumpulkan, meyajikan, menganalisis, hingga
menarik kesimpulan, dua jenis tersebut yaitu Statistika Deskriptif dan Statistika
Inferensial.
Statistik deskriptif merupakan proses transformasi data penelitian dalam bentuk
tabulasi sehingga mudah dipahami dan di interpretasikan (DAHRI, 2020). Sedangka
statistik inferensial sendiri yaitu statistika yang digunakan untuk melakukan estimasi
parameter dan menguji hipotesis dari suatu penelitian guna menarik kesimpulan dalam
suatu penelitian tersebut (Rangkuti, 2017). Dalam ststistika mencakup beberapa hal di
antaranya yaitu korelasi product moment, korelasi point biserial, regresi sederhana dan
regresi ganda yang akan dibahas lebih lanjut dalam pembahasan.

2. RUMUSAN MASALAH
2.1 Bagaimana contoh penerapan korelasi product moment?
2.2 Bagaimana contoh penerapan korelasi point biserial?
2.3 Bagaimana contoh penerapan regresi sederhana?
2.4 Bagaimana contoh penerapan regresi ganda?

3. PEMBAHASAN

3.1 Contoh Korelasi Product Moment

Berikut data jam kerja dan jumlah produksi pada sebuah pabrik dalam 10 bulan terakhir.

Untuk menghitung korelasi product moment dari data yang telah disajikan, digunakan rumus
 𝑵 ∑ 𝑿𝒀−(∑ 𝑿)(∑ 𝒀)
𝒓= . Dari rumus, diketahui terdapat komponen-komponen baru
√(𝑵 ∑ 𝑿𝟐 −(∑ 𝑿)𝟐 )(𝑵 ∑ 𝒀𝟐 −(∑ 𝒀)𝟐 )

oleh karena itu, diperlukan tabel baru untuk memudahkan perhitungan.

Bulan Produksi (x) Jam kerja (y) xy x2 y2

1 30 73 2190 900 5329
2 30 50 1500 900 2500
3 60 128 7680 3600 16384
4 80 170 13600 6400 28900
5 40 87 3480 1600 7569
6 50 108 5400 2500 11664
7 60 135 8100 3600 18225
8 30 69 2070 900 4761
9 70 148 10360 4900 21904
10 60 132 7920 3600 17424
Jml 510 1100 62300 28900 134660

r : koefisien korelasi Pearson

N : banyak pasangan nilai X dan Y
∑XY : jumlah dari hasil kali nilai X dan nilai Y
∑X : jumlah nilai X
∑Y : jumlah nilai Y
∑X2 : jumlah dari kuadrat nilai X
∑Y2 : jumlah dari kuadrat nilai Y

𝑵 ∑ 𝑿𝒀−(∑ 𝑿)(∑ 𝒀)
𝒓=
√(𝑵 ∑ 𝑿𝟐 −(∑ 𝑿)𝟐 )(𝑵 ∑ 𝒀𝟐 −(∑ 𝒀)𝟐 )

(10.62300)−(510. 1100)
𝑟=
√(10.28900−260100 )(10.134660 −1210000 )
(623000)−(561000)
𝑟=
√(289000−260100 )(1346600 −1210000 )
62000
𝑟 = 62831,04
𝑟 = 0,987

Data hasil pengukuran akan dihitung koefisien korelasinya dengan rumus pada bagian
sebelumnya. Hasil perhitungan tersebut diperoleh suatu nilai yang disebut dengan koefisien
korelasi Pearson. Koefisien korelasi tersebut menunjukkan seberapa kuat korelasi antar
variabel. Nilai koefisien korelasi yaitu -1 £ r £ 1. Interpretasi terhadap koefisien korelasi
tersebut yaitu:
0,00 – 0,199 : korelasi sangat rendah
0,20 – 0,399: korelasi rendah
0,40 – 0,599: korelasi sedang
0,60 – 0,799: korelasi kuat
0,80 – 1,000: korelasi sangat kuat

Begitu pula dengan nilai negatifnya, semakin mendekati nilai 0 maka korelasi semakin
rendah dan mendekati -1 korelasi semakin kuat. Nilai negatif menunjukkan hubungan terbalik
sedangkan nilai positif menunjukkan hubungan searah.

Berdasarkan hasil perhitungan mengenai data produksi dengan jam kerja, diperoleh nilai r
atau koefisien korelasi product moment sebesar 0,987 atau taraf signifikasinya sebesar 1,3%
artinya 98,7% data/analisis dapat dipercaya.

3.2 Contoh Point Biserial

Point biserial adalah korelasi yang digunakan untuk satu variabel diukur dalam skala interval
atau rasio dan variabel lainnya. Yang harus diperhatikan dalam point biserial data nominal
yang digunakkan harus murni nominal, bukan data dari dari hasil tranformasi data lain.

Rumus
̅𝒙̅̅𝟏̅− ̅𝒙̅̅𝟐̅
𝒓𝒑𝒃𝒊𝒔 = √𝒑. 𝒒
𝑺𝑫𝒕

Keterangan:

𝑟𝑝𝑏𝑖𝑠 = korelasi point biserial

𝑥1 𝑥
̅̅̅, ̅̅̅2 = Mean 1,2

𝑆𝐷𝑡 = simpangan deviasi total

p = proporsi (n/N)

q=1–p

Soal

Diketahui seperti pada tabel, carilah point biserial

Gender (x) Tingkat kecemasan (Y)

10

12

Pria 9

12
 13

16

18

Wanita 15

22

21

Dimisalkan :

𝑥1 = pria

𝑥2 = wanita

Jawab:
∑ 𝑥1 𝑖 10+12+9+12+13
𝑥1 =
̅̅̅ ∑ 𝑛1
= = 11,2
5

∑ 𝑥2 𝑖 16+18+15+22+21
𝑥2 =
̅̅̅ ∑ 𝑛2
= = 18,4
5

̅𝑥̅̅1̅+ ̅𝑥̅̅2̅ 11,2+18,4

Mean total = = = 14,8
2 2

̅̅̅̅̅
∑(𝑥 𝑡)
2 219,04
𝑆𝐷𝑡 = √ = = √24,33 = 4,93
𝑛−1 9

Gender (x) Tingkat kecemasan (Y) Mean Mean total SD total

10

12

Pria 9 11,2

12

13

16 14,8 4,93

18

Wanita 15

22 18,4
 21

Maka,

̅̅̅
𝒙𝟏 = 11,2; ̅̅̅
𝒙𝟐 = 18,4; ̅𝒙
̅̅̅𝒕 = 14,8; 𝑺𝑫𝒕 = 4,93;

p = (n/N) = 5/10 = 0,5

q = 1 – p = 1-0,5 = 0,5
̅𝒙̅̅𝟏̅− ̅𝒙̅̅𝟐̅
𝒓𝒑𝒃𝒊𝒔 = √𝒑. 𝒒
𝑺𝑫𝒕

11,2 − 18,4
𝒓𝒑𝒃𝒊𝒔 = √0,5.0,5
4,93

𝒓𝒑𝒃𝒊𝒔 = -1,46044 . 0,5

𝒓𝒑𝒃𝒊𝒔 = -0,73022

3.3 Contoh Regresi Sederhana

Untuk memberikan pemahaman yang lebih jelas mengenai regresi linier sederhana, dalam
kegiatan belajar ini diberikan suatu contoh kasus, yaitu :
Suatu data penelitian tentang berat badan 10 mahasiswa yang diprediksi dipengaruhi oleh
konsumsi jumlah kalori/hari. Bagaimana menganalisis kasus ini ? Untuk menganalisis kasus
ini, hal-hal dilakukan adalah :
1. Tujuan : apakah konsumsi jumlah kalori/hari mempengaruhi berat badan mahasiswa.
2. Variabel : X (variable bebas/predictor) = jumlah kalori/hari
Y (variable tak bebas/response) = berat badan
Data
No. Nama Mahasiswa Kalori/hari (X) Berat badan (Y)
1 Dian 530 89
2 Echa 300 48
3 Winda 358 56
4 Kelo 510 72
5 Intan 302 54
6 Putu 300 42
7 Aditya 387 60
8 Anita 527 85
9 Sefia 415 63
10 rosa 512 74
No. X X2 Y Y2 XY
1 530 280900 89 7921 47170
2 300 90000 48 2304 14400
3 358 128164 56 3136 20048
4 510 260100 72 5184 36720
5 302 91204 54 2916 16308
6 300 90000 42 1764 12600
7 387 149769 60 3600 23220
8 527 277729 85 7225 44795
9 415 172225 63 3969 26145
10 512 262144 74 5476 37888
∑ 4141 1802235 643 43495 279294

Koefisien regresi b ditentukan dengan menggunakan rumus yang telah diberikan, yaitu :

𝑛(∑ 𝑋𝑖 𝑌𝑖 ) − (∑ 𝑋𝑖 )(∑ 𝑋𝑖 𝑌𝑖 )
𝑏=
𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )2
10 (279294) − (4141)(643) 130227
𝑏= 2
= = 0,14892 = 0,149
10 (1802235) − (4141) 874469
Konstanta a ditentukan menggunakan rumus :
(∑ 𝒀𝒊 )(∑ 𝑿𝟐𝒊 ) − (∑ 𝑿𝒊 )(∑ 𝑿𝒊 𝒀𝒊 )
𝒂=
𝒏 ∑ 𝑿𝟐𝒊 − (∑ 𝑿𝒊 )𝟐
(643)(1802235) − (4141)(279294) 2280651
𝑎= 2
= = 2,608
10(1802235) − (4141) 874469
Konstanta a juga dapat dicari dari nilai rata-rata X dan Y, yaitu :
𝑎 = 𝑌 − 𝑏𝑋 = 64,3 − 0,149(414,1) = 2,608
Sehingga model persamaan regresi linier sederhananya adalah : 𝑌 = 2,608 + 0,149 𝑋
Penggambaran data dan garis regresi yang dihasilkan disajikan pada gambar

Koefisien Korelasi (r) Untuk mengukur kekuatan hubungan antar variable predictor X dan
response Y, dilakukan analisis korelasi yang hasilnya dinyatakan oleh suatu bilangan yang
dikenal dengan koefisien korelasi. Biasanya analisis regresi sering dilakukan bersama-sama
dengan analisis korelasi. Persamaan koefisien korelasi (r ) diekspresikan oleh :
 𝑛. ∑ 𝑋𝑌 − (∑ 𝑋)(∑ 𝑌)
𝑟 =
√[𝑛 ∑ 𝑋 2 − (∑ 𝑋)2 ][𝑛 ∑ 𝑌 2 − (∑ 𝑌)2 ]
10 (279294) − (4141)(643)
𝑟=
√[10(1802235) − (4141)2 ][10(43495) − (643)2 ]
130277
𝑟= = 0,95
137120,2318
Nilai ini memberi arti bahwa, hubungan variable bebas/predictor X dengan variabel terikat/
response Y adalah sangat kuat, prosentasenya 95%. Jadi, berat badan memang sangat
dipengaruhi oleh konsumsi jumlah kalori/hari.
Koefisien Determinasi (r2 )
Koefisien determinasi dapat ditentukan dengan mengkuadratkan koefisien korelasi. Dari
contoh kasus di atas, maka koefisien determinasinya adalah r2 = 0,90 . Nilai ini berarti bahwa,
90% variabel bebas/ predictor X dapat menerangkan/ menjelaskan variabel tak bebas/
response Y dan 10% dijelaskan oleh variabel lainnya
Uji Signifikansi dan Hipotesis
Jika telah ditentukan Koefisien Determinasi ( r2 ), maka selanjutnya dilakukan uji signifikan
hipotesis yang diajukan. Uji ini dapat menggunakan Uji-t ; Uji-F ; Uji-z atau Uji Chi Kuadrat.
Dengan uji signifikansi ini dapat diketahui apakah variable bebas/ predictor/ independent (X)
berpengaruh secara signifikan terhadap variable tak bebas/ response/ dependent (Y). Arti dari
signifikan adalah bahwa pengaruh antar varible berlaku bagiseluruh populasi. Dalam modul
ini hanya dibahas uji signifikansi menggunakan uji-t.
Langkah-langkah yang perlu dilakukan dalam uji-t pada regresi linier adalah :
1. Menentukan Hipotesis
H0 :  = 0; variabel X tidak berpengaruh signifikan/nyata terhadap Y
H1 :   0; variabel X berpengaruh signifikan/nyata terhadap Y
2. Menentukan tingkat signifikansi (  ) Tingkat signifikansi,  yang sering digunakan adalah
 = 5% ( = 0,05)
𝑟√𝑛−2
3. Menghitung nilai t hitung menggunakan rumus : 𝑡 = √1−𝑟 2
Contoh penerapan Uji-t, kembali digunakan contoh kasus yang telah dibahas sebelumnya.
Dari contoh kasus di atas diketahui Koefisien Determinasi (r2 ) = 0,90
Koefisien Korelasi (r) = 0,95
Jumlah data n = 10
Hipotesis yang diasumsikan/ diajukan :
H0 :  = 0; variabel X tidak berpengaruh signifikan terhadap Y
H1 : 0; variable X berpengaruh signifikan terhadap Y
Tingkat signifikansi () = 5%
𝑟√𝑛−2 0,95√10−2
Nilai t hitung, 𝑡 = = = 8,497; Berarti thit = 8,497
√1−𝑟 2 √1−0,90
Derajat kebebasan, df = n – k = 10 – 2 = 8
Dengan menggunakan tabel Uji - t untuk taraf signifikan  = 5% = 0,05 dan df = 8, maka
diperoleh nilai t pada table, yaitu : ttab = 2,306
Membandingkan thit dengan ttab : thit > ttab : 8,497 > 2,306
Kesimpulan : Nilai thit > ttab, sehingga dikatakan bahwa, ada pengaruh nyata (signifikan)
variable predictor X terhadap variable response Y dengan taraf signifikan 5%.

3.4 Contoh Regresi Ganda

Persamaann / rumus regresi linier berganda adalah sebagai berikut:
dengan i = 1, 2,…n
dimana :

 Yˆ = variabel terikat Y
 X = Variabel bebas
 b = Konstanta
 bi = Koefisien Penduga
untuk menghitung b, b1, b2 … bk dan seterusnya kita menggunakan Metode Kuadrat
Terkecil (Least Square Method) yang menghasilkan persamaan model sebagai berikut

untuk dapat memudahkan dalam menghitung b, b1, b2 dapat digunakan matriks sebagai
berikut:

dengan:

 A = matriks (diketahui)
 H = vektor kolom (diketahui)
 b = vektor kolom (tidak diketahui)
Variabel b dapat diselesaikan dengan cara sebagai berikut :

 Ab = H
 B = A-1H
Contoh Soal Regresi Linier Berganda
Dalam suatu penelitian yang dilakukan terhadap 10 rumah tangga yang dipilih secara acak,
diperoleh data pengeluaran untuk pembelian barang-barang tahan lama per minggu (Y),
pendapatan per minggu (X1), dan jumlah anggota rumah tangga (X2) sebagai berikut:

Seandainya suatu rumah tangga mempunyai X1 dan X2, masing-masing 11 dan 8. Berapa
besarnya nilai Y. Artinya, berapa ratus rupiah rumah tangga yang bersangkutan akan
mengeluarkan biaya untuk pembelian barang-barang tahan lama ?
Penyelesaian Contoh soal Regresi Linier Berganda:
Langkah pertama adalah mengolah data diatas menjadi sebagai berikut:
Dari hasil penghitungan diatas model regresi linier berganda dapat dituliskan sebagai berikut:
Yˆ = 5,233 + 3,221X1 + 0,451X2

3.4 Contoh Point Biserial

Point biserial adalah korelasi yang digunakan untuk satu variabel diukur dalam skala interval
atau rasio dan variabel lainnya. Yang harus diperhatikan dalam point biserial data nominal
yang digunakkan harus murni nominal, bukan data dari dari hasil tranformasi data lain.

Rumus
̅𝒙̅̅𝟏̅− ̅𝒙̅̅𝟐̅
𝒓𝒑𝒃𝒊𝒔 = √𝒑. 𝒒
𝑺𝑫𝒕

Keterangan:

𝑟𝑝𝑏𝑖𝑠 = korelasi point biserial

𝑥1 𝑥
̅̅̅, ̅̅̅2 = Mean 1,2

𝑆𝐷𝑡 = simpangan deviasi total

p = proporsi (n/N)

q=1–p

Soal

Diketahui seperti pada tabel, carilah point biserial

Gender (x) Tingkat kecemasan (Y)

10

12

Pria 9

12

13

16

18

Wanita 15

22

21
Dimisalkan :

𝑥1 = pria

𝑥2 = wanita

Jawab:
∑ 𝑥1 𝑖 10+12+9+12+13
𝑥1 =
̅̅̅ ∑ 𝑛1
= = 11,2
5

∑ 𝑥2 𝑖 16+18+15+22+21
𝑥2 =
̅̅̅ ∑ 𝑛2
= = 18,4
5

̅𝑥̅̅1̅+ ̅𝑥̅̅2̅ 11,2+18,4

Mean total = = = 14,8
2 2

̅̅̅̅̅
∑(𝑥 𝑡)
2 219,04
𝑆𝐷𝑡 = √ = = √24,33 = 4,93
𝑛−1 9

Gender (x) Tingkat kecemasan (Y) Mean Mean total SD total

10

12

Pria 9 11,2

12

13

16 14,8 4,93

18

Wanita 15

22 18,4

21

Maka,

̅̅̅
𝒙𝟏 = 11,2; ̅̅̅
𝒙𝟐 = 18,4; ̅𝒙
̅̅̅𝒕 = 14,8; 𝑺𝑫𝒕 = 4,93;

p = (n/N) = 5/10 = 0,5

q = 1 – p = 1-0,5 = 0,5
̅𝒙̅̅𝟏̅− ̅𝒙̅̅𝟐̅
𝒓𝒑𝒃𝒊𝒔 = √𝒑. 𝒒
𝑺𝑫𝒕

11,2 − 18,4
𝒓𝒑𝒃𝒊𝒔 = √0,5.0,5
4,93

𝒓𝒑𝒃𝒊𝒔 = -1,46044 . 0,5

𝒓𝒑𝒃𝒊𝒔 = -0,73022

Daftar pustaka

Agustian, 2021. Rumus Pintar. [Online]

Available at: https://rumuspintar.com/korelasi-product-moment/
[Accessed 3 Maret 2022].

Budiwanto, S., 2017. METODE STATISTIKA: Untuk Mengolah Data Keolahragaan.

Malang: Universitas Negeri Malang.

DAHRI, M., 2020. OSFPREPRITS. [Online]

Available at: https://osf.io/dprtn/
[Diakses 20 February 2022].

Rangkuti, A. A., 2017. STATISTIKA INFERENSIAL: untuk Psikologi & Pendidikan. 1st
penyunt. Jakarta: KENCANA.

Sejarah Matematika , 2017. SM BLOG math and science. [Online]

Available at: http://sejarahmatematika1.blogspot.com/2017/08/cara-menghitung-korelasi-
pearson-product-moment.html
[Accessed 3 Maret 2022].

Sutarto Hadi, I. G. J. D., 2018. STATISTIKA INFERENSIAL: Teori dan Aplikasinya. 2nd
penyunt. Banjarmasin: Banjarmasin Pers.

Yuliara, I, M. 2016. Modul Regresi Linier Sederhana. Universitas Udayana: Fakultas

Matematika dan Ilmu Pengetahuan Alam