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)
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
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 )
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.
Rumus
̅𝒙̅̅𝟏̅− ̅𝒙̅̅𝟐̅
𝒓𝒑𝒃𝒊𝒔 = √𝒑. 𝒒
𝑺𝑫𝒕
Keterangan:
𝑥1 𝑥
̅̅̅, ̅̅̅2 = Mean 1,2
p = proporsi (n/N)
q=1–p
Soal
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
̅̅̅̅̅
∑(𝑥 𝑡)
2 219,04
𝑆𝐷𝑡 = √ = = √24,33 = 4,93
𝑛−1 9
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;
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 = -0,73022
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%.
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
Rumus
̅𝒙̅̅𝟏̅− ̅𝒙̅̅𝟐̅
𝒓𝒑𝒃𝒊𝒔 = √𝒑. 𝒒
𝑺𝑫𝒕
Keterangan:
𝑥1 𝑥
̅̅̅, ̅̅̅2 = Mean 1,2
p = proporsi (n/N)
q=1–p
Soal
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
̅̅̅̅̅
∑(𝑥 𝑡)
2 219,04
𝑆𝐷𝑡 = √ = = √24,33 = 4,93
𝑛−1 9
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;
11,2 − 18,4
𝒓𝒑𝒃𝒊𝒔 = √0,5.0,5
4,93
𝒓𝒑𝒃𝒊𝒔 = -0,73022
Daftar pustaka
Rangkuti, A. A., 2017. STATISTIKA INFERENSIAL: untuk Psikologi & Pendidikan. 1st
penyunt. Jakarta: KENCANA.
Sutarto Hadi, I. G. J. D., 2018. STATISTIKA INFERENSIAL: Teori dan Aplikasinya. 2nd
penyunt. Banjarmasin: Banjarmasin Pers.