KORELASI

(1712-STK1-S06-01)
 TUJUAN PEMBELA JARAN
Setelah mempelajari bagian ini,
Anda diharapkan telah mampu:

Menganalisis korelasi dengan metode

Pearson, Spearman, dan Kendall.

1712STK106
 ANALISIS KORELASI
3

 Analisis korelasi adalah metode dalam ilmu

statistika yang digunakan untuk mengukur
keeratan hubungan atau korelasi antara dua
variabel.

1712STK106
 KORELASI
4

 Dengan melakukan analisis korelasi, kita bisa melihat apakah

kedua variabel tersebut memiliki korelasi positif, korelasi
negatif, atau tidak ada korelasi.
y-axis y-axis y-axis

0 x-axis 0 x-axis 0 x-axis

Korelasi positif Korelasi negatif Tidak ada korelasi
1712STK106
 CONTOH KORELASI POSITIF
5

 Secara sederhana, korelasi bisa

diamati menggunakan scatter
plot.

Gambar ini adalah korelasi positif,

karena jika mahasiswa
menghabiskan lebih banyak jam
untuk belajar, maka mahasiswa
akan mendapatkan nilai yang
lebih tinggi.

1712STK106
 CONTOH KORELASI NEGATIF
6

Gambar ini adalah korelasi

negatif, karena ketika usia
kendaraan semakin tinggi,
reliability-nya semakin
rendah.

1712STK106
 CONTOH TIDAK ADA KORELASI
7

Gambar ini adalah contoh

tidak ada korelasi, karena
tidak ada trend khusus antara
detak jantung dengan berat
badan.

1712STK106
 METODE KORELASI PEARSON
8

 Salah satu pengukuran yang banyak dipakai untuk

mengukur korelasi adalah Pearson’s Correlation
Coefficient.

 Koefisien ini mengukur kecenderungan arah

(positif/negatif) dan kekuatan korelasi antara dua
variabel secara kuantitatif.

1712STK106
 METODE KORELASI PEARSON
9

 Nilai korelasi berkisar antara -1 sampai +1. Jadi ada nilai negatif
atau positif, yang menggambarkan kecenderungan
hubungannya ke arah mana dan ada nilai kekuatannya dari 0
sampai 1.
strong intermediate weak weak intermediate strong

-0.75 -0.25 0 0.25 0.75 1

indirect direct
perfect perfect
correlation no relation correlation

1712STK106
 CONTOH METODE KORELASI
10

PEARSON
Usia Berat Rumus Pearson’s Correlation Coefficient
No.
(Tahun) (kg)
1 3 12
𝑛 σ 𝑥𝑦 − (σ 𝑥)(σ 𝑦)
2 2 8 𝑟=
3 4 12
𝑛 σ 𝑥2 − σ 𝑥 2 𝑛 σ 𝑦2 − σ 𝑦 2

4 3 10
5 3 11 Di mana:
6 5 13 𝑛 = jumlah data
7 5 15 𝑥 dan 𝑦 = variabel
8 2 10
1712STK106
 11

MENGHITUNG DENGAN EXCEL

Berdasarkan data berat badan dan usia
di atas:
 Gambarlah scatter plot-nya!
 Hitunglah Pearson’s Correlation
Coefficient-nya dengan menggunakan
correl () function!

1712STK106
 HASIL PERHITUNGAN DENGAN
12

EXCEL
Usia Berat
(Tahun) (kg)
3 12
2 8
4 12
3 10
3 11 Gambar scatter plot menunjukan bahwa
5 13 semakin bertambah usia anak-anak,
5 15 kecenderungan berat badannya semakin
2 10 bertambah sehingga memiliki korelasi positif.
1712STK106
 METODE KORELASI SPEARMAN
13

 Selain Pearson’s Correlation Coefficient, dikenal

juga metode korelasi jenjang Spearman dan
Kendall.

 Tidak seperti metode korelasi Pearson yang

menggunakan data-data kuantitatif, metode
korelasi jenjang Spearman digunakan untuk data
kualitatif.
1712STK106
 CARA MENGHITUNG METODE
14

KORELASI SPEARMAN
 Langkah 1
Data terbesar diberi ranking pertama kemudian data berikutnya
sampai data terkecil atau data terkecil diberi ranking pertama
kemudian data berikutnya sampai data terbesar.
 Langkah 2
Jika ada data kembar, maka berikan ranking sama tetapi
menggunakan rata-rata ranking.

1712STK106
 CARA MENGHITUNG METODE
15

KORELASI SPEARMAN
 Langkah 3
Hitunglah selisih ranking setiap pasangan data kemudian
kuadratkan.
 Langkah 4
Gunakanlah rumus berikut:

6 σ 𝑑2 Di mana:
𝑟𝑠 = 1 − 𝑛=banyak pasangan data
𝑛(𝑛2 − 1) 𝑑=selisih ranking setiap pasang data

1712STK106
 CONTOH METODE KORELASI
16

SPEARMAN
Analisislah tabel berikut,
Faktor penentu Faktor penentu
apakah terdapat korelasi konsumen A konsumen B
Harga Prestige
antara konsumen A dan Merek Selera
Kualitas Harga
konsumen B dalam Manfaat Merek
Prestige Manfaat
mengambil keputusan Selera Kualitas

membeli suatu barang?

1712STK106
 CONTOH METODE KORELASI
17

SPEARMAN
Faktor penentu Faktor penentu D
Ranking A Ranking B D2
konsumen A konsumen B (Ranking A – Ranking B)
Harga Prestige 1 5 -4 16
Merek Selera 2 6 -4 16
Kualitas Harga 3 1 2 4
Manfaat Merek 4 2 2 4
Prestige Manfaat 5 4 1 1
Selera Kualitas 6 3 3 9
Jumlah 0 50

6 ෌ 𝐷2 6(50)
𝑟𝑠 = 1 − 2
=1− = −0,43
𝑛(𝑛 − 1) 6(36 − 1)
1712STK106
 CONTOH METODE KORELASI
18

SPEARMAN
Bagaimana interpretasinya?

Konsumen A dan konsumen B memiliki pertimbangan yang

berlawanan (ke arah negatif) dan korelasi antara pertimbangan
yang satu dengan yang lain relatif lemah.

1712STK106
 METODE KORELASI KENDALL
19

Seperti metode Spearman, metode Kendall juga

menggunakan data kualitatif. Bedanya, di sini digunakan
skor ranking S.
2(𝑁𝐴 − 𝑁𝐵)
𝑟𝑘 =
𝑁(𝑁 − 1)

Di mana:

𝑁𝐴=jumlah data di bawah ranking

𝑁𝐵=jumlah data di atas ranking

1712STK106
 CONTOH METODE KORELASI
20

KENDALL
Analisislah tabel berikut,
Faktor penentu Faktor penentu
apakah terdapat korelasi konsumen A konsumen B
Harga Prestige
antara konsumen A dan Merek Selera
Kualitas Harga
konsumen B dalam Manfaat Merek
Prestige Manfaat
mengambil keputusan Selera Kualitas

membeli suatu barang?

1712STK106
 CONTOH METODE KORELASI
21

KENDALL
Faktor Faktor NA-NB
Ranking Ranking NA (ranking di NB (ranking di atas
penentu penentu atau S
A B bawah ranking B) ranking B)
konsumen A konsumen B
1 (karena hanya ada 4 (karena ada ranking 1
Harga Prestige 1 5 -3
ranking 6) sampai 4)
4 (harusnya ada 5, tetapi
0 (karena ranking dikurangi 1 karena
Merek Selera 2 6 -4
paling bawah) ranking 5 sudah disebut
di atas)
3 (ranking 2, 3, 4 saja
0 (tidak ada ranking di
Kualitas Harga 3 1 karena 5 dan 6 sudah 3
atas ranking 1)
disebut di atas)
Manfaat Merek 4 2 2 0 2
Prestige Manfaat 5 4 0 1 -1
Selera Kualitas 6 3 0 0 0
Jumlah -3
1712STK106
 CONTOH METODE KORELASI
22

KENDALL
Menghitung metode korelasi Kendall:
2(−3)
𝑟𝑘 = = −0,2
6(6 − 1)

Bagaimana interpretasinya?

Konsumen A dan konsumen B memiliki pertimbangan yang

berlawanan (ke arah negatif) dan korelasi antara pertimbangan
yang satu dengan yang lain relatif lemah. Mirip dengan hasil
analisis korelasi Spearman.
1712STK106
 🔑 DAFTAR PUSTAKA
Sunyoto, Danang. (2003). Dasar-Dasar Statistika untuk Ekonomi.
Yogyakarta: CAPS.
Sunyoto, Danang. (2012). Statistika Induktif. Yogyakarta: CAPS.

1712STK106
 © KREDIT
Lecturer
Arfika Nurhudatiana, Ph.D.

Instructional Design Reviewer

Ahmad Arif, S.Pd.

Instructional Designer
Vina Rulina, S.Kep., Ns.

Content Developer
Nuraida Syarah, S.Si.
1712STK106
REGRESI LINEAR
SEDERHANA
(1712-STK1-S06-02)
 TUJUAN PEMBELA JARAN
Setelah mempelajari bagian ini,
Anda diharapkan telah mampu:

Menghitung regresi linear sederhana

menggunakan Excel.

1712STK106
 ANALISIS REGRESI LINEAR
3

 Analisis regresi merupakan studi ketergantungan

(pengaruh) satu atau lebih variabel bebas
(independent) terhadap variabel tidak bebas/terikat
(dependent).

 Tujuan dari analisis regresi adalah untuk meramalkan

nilai variabel tidak bebas/terikat (dependent)
berdasarkan nilai variabel bebas (independent).
1712STK106
 REGRESI LINEAR
4

 Contoh analisis regresi:

 Apakah terdapat pengaruh antara jumlah pendapatan
terhadap konsumsi rumah tangga?
 Apakah harga memengaruhi volume penjualan barang?
 Apakah ada pengaruh antara tingkat upah terhadap tingkat
pengangguran?
 Apakah tingkat suku bunga bank mempengaruhi harga
saham?
 Apakah menambah biaya iklan akan menambah volume
penjualan?
1712STK106
 PERBEDAAN KORELASI DENGAN
5

REGRESI
Korelasi Regresi
• Hanya menunjukkan • Menunjukkan hubungan
sekedar hubungan pengaruh dalam bentuk
formula produksi
• Tidak ada istilah variabel • Terdapat istilah variabel
dependent dan dependent dan
independent. independent
1712STK106
 REGRESI LINEAR DAN NON
6

LINEAR

Analisis regresi digambarkan dalam

bentuk model matematika (formula
matematika) yang mendeskripsikan
hubungan antara variabel.

1712STK106
 REGRESI LINEAR DAN NON
7

LINEAR
Ada beberapa cara untuk mendeskripsikan
hubungan antar-variabel tersebut:
Linear

 Linear sederhana 𝑌 = 𝑎 + 𝑏𝑋
Melibatkan hanya satu variabel independen

 Linear berganda 𝑌 = 𝑎 + 𝑏𝑋1 + 𝑐𝑋2 + 𝑑𝑋3

Melibatkan beberapa variabel independen
1712STK106
 REGRESI LINEAR DAN NON
8

LINEAR
Ada beberapa cara untuk mendeskripsikan
hubungan antar-variabel tersebut:
Non Linear

 Eksponensial
 Logaritmik
 Polynomial

1712STK106
 REGRESI LINEAR SEDERHANA
9

Persamaan regresi linear sederhana:

𝑌 = 𝑎 + 𝑏𝑋 + 𝜀

Di mana:
𝑌=nilai yang diramalkan (variable dependent)
𝑎=konstanta 𝑋=variabel independen
𝑏=koefisien regresi 𝜀=nilai residu

1712STK106
 CONTOH REGRESI LINEAR
10

SEDERHANA
 Seberapa besar variabel terikat dipengaruhi
oleh variabel bebas bisa dilihat dari koefisien
regresi.

1712STK106
 CONTOH REGRESI LINEAR
11

SEDERHANA
Sebagai contoh, terdapat persamaan regresi linear sederhana:
𝑌 = 𝑎 + 𝑏𝑋
Nilai ujian = 3 + 5 × lama belajar(dalam satuan jam)
Diketahui:
𝑌=nilai ujian 𝑋=lama belajar (dalam satuan jam)
𝑎=30 𝑏=5
Artinya, apabila tidak belajar sama sekali maka akan mendapatkan
nilai 30. Kemudian, setiap pertambahan waktu belajar maka nilai
akan naik sebanyak 5 poin.
1712STK106
 CONTOH REGRESI LINEAR
12

SEDERHANA
Pertanyaan

Untuk mendapatkan nilai 90, berapa lama waktu yang diperlukan

untuk belajar?

Jawaban

90 = 30 + 5𝑥
𝑥 = 12 jam
1712STK106
 MENENTUKAN NILAI A DAN B
13

Bagaimana rumus mendapatkan nilai 𝑎 dan 𝑏

pada persamaan regresi linear sederhana?

Ada 2 metode regresi linear sederhana yang bisa digunakan, yaitu:

1. Metode tangan bebas

2. Metode kuadrat terkecil sederhana

1712STK106
 MENENTUKAN NILAI A DAN B
14

1. Pada metode tangan bebas, garis regresi dipilih

secara bebas dan subjektif.

1712STK106
 MENENTUKAN NILAI A DAN B
15

2. Pada metode kuadrat terkecil sederhana (least-square

method), digunakan rumus untuk meminimalisasi jarak
antara titik prediksi regresi dengan data points yang
sesungguhnya.

1712STK106
 MENENTUKAN NILAI A DAN B
16

Cara I: memecahkan dua persamaan linear

𝑛 𝑛

𝑛𝑎 + 𝑏 ෍ 𝑥𝑖 = ෍ 𝑦𝑖
𝑖=1 𝑖=1
𝑛 𝑛 𝑛

𝑎 ෍ 𝑥𝑖 + 𝑏 ෍ 𝑥𝑖 2 = ෍ 𝑥𝑖 𝑦𝑖
𝑖=1 𝑖=1 𝑖=1

1712STK106
 MENENTUKAN NILAI A DAN B
17

Cara 2: cara langsung

σ 𝑦 σ 𝑥 2 − σ 𝑥 σ 𝑥𝑦
𝑎=
𝑛 σ 𝑥2 − σ 𝑥 2
𝑛 σ 𝑥𝑦 − σ 𝑥 σ 𝑦
𝑏=
𝑛 σ 𝑥2 − σ 𝑥 2

1712STK106
 CONTOH MENENTUKAN NILAI
18

A DAN B
Tahun Penjualan (Y) Biaya iklan (X) X2 XY
(dalam juta rupiah) (dalam juta rupiah)
2010 100 8 64 800
2011 80 7 49 560
2012 120 12 144 1440
2013 160 20 400 3200
2014 140 16 256 2240
Total 600 63 913 8240

1712STK106
 CONTOH MENENTUKAN NILAI
19

A DAN B
Menggunakan cara I:
𝑛 𝑛

𝑛𝑎 + 𝑏 ෍ 𝑥𝑖 = ෍ 𝑦𝑖 5𝑎 + 63𝑏 = 600 315𝑎 + 3969𝑏 = 37800

𝑖=1 𝑖=1

𝑛 𝑛 𝑛

𝑎 ෍ 𝑥𝑖 + 𝑏 ෍ 𝑥𝑖 2 = ෍ 𝑥𝑖 𝑦𝑖 63𝑎 + 913𝑏 = 8240 315𝑎 + 4565𝑏 = 41200

𝑖=1 𝑖=1 𝑖=1 -
−596𝑏 = −3400

1712STK106
 CONTOH MENENTUKAN NILAI
20

A DAN B
3400 (600 − 63 5.7 )
𝑏= = 5.7 𝑎= = 48.18
596 5
Persamaan regresinya adalah 𝑌 = 48.18 + 5.7𝑥.

𝑌 = 48.18 + 5.7 × 25 = 190.68

Jika diketahui budget iklan untuk tahun 2015 adalah 25juta, maka
prediksi tingkat penjualan pada tahun 2015 adalah 190.68juta.

1712STK106
 CONTOH KASUS DENGAN EXCEL
21

 Seorang manajer pemasaran akan meneliti apakah

terdapat pengaruh penggunaan iklan terhadap
penjualan pada perusahaan-perusahaan di Kabupaten
ABC.

 Untuk kepentingan penelitian tersebut diambil 8

perusahaan sejenis yang telah melakukan promosi
iklan.
1712STK106
 ANALISIS
22

1. Rumusan Pertanyaan:

Pengaruh pengeluaran biaya iklan terhadap penjualan

perusahaan.

1712STK106
 ANALISIS
23

2. Hipotesis:
Terdapat pengaruh positif pengeluaran biaya iklan terhadap
penjualan perusahaan.

Ho : Tidak terdapat pengaruh positif biaya iklan terhadap

penjualan perusahaan.
Ha : Terdapat pengaruh positif biaya iklan terhadap penjualan
perusahaan.

1712STK106
 ANALISIS
24

3. Pengumpulan data:
Data pengeluaran pembiayaan iklan dan jumlah penjualan
dikumpulkan dari 8 perusahaan
P1 P2 P3 sejenis.
P4 P5 P6 P7 P8
Penjualan dalam juta
64 61 84 70 88 92 72 77
rupiah (𝑌)
Iklan dalam juta
20 16 34 23 27 32 18 22
rupiah (𝑋)

1712STK106
 PRAKTIK PADA EXCEL
25

1. Masukan data

2. Masuk ke tab Data  Data Analysis  Regression

1712STK106
 ANALISIS
26

Analisis regresi dari excel akan menghasilkan angka-angka

berikut:

1 Persamaan regresi 4 Nilai F hitung

2 Koefisien determinasi 5 Nilai t hitung

3 Standard error 6 Kesimpulan

1712STK106
 1. PERSAMAAN REGRESI
27

𝑌 = 40,082 + 1,497 + 𝑒
Dari persamaan regresi, kita bisa memprediksi nilai
penjualan dari biaya iklan yang dikeluarkan.

Contoh:
Jika 𝑋 = 20, maka 𝑌 = 40,082 + 1,497 × 20 = 70,022

1712STK106
 2. KOEFISIEN DETERMINASI
28

2 ෠ 2
σ(𝑌−𝑌) 2 227,497
𝑅 =1− ത 2
σ(𝑌−𝑌)
𝑅 =1− = 0,743
886

Koefisien determinasi disesuaikan (adjusted)

𝑃(1−𝑅 2) 1 1−0,743
𝑅𝑎𝑑𝑗 = 𝑅2 − 𝑅𝑎𝑑𝑗 = 0,743 − = 0,70
𝑁−𝑃−1 8−1−1
𝑁=jumlah data point
𝑃=jumlah predictor variable

1712STK106
 3. STANDARD ERROR
29

 Standard error disebut juga kesalahan baku estimasi.

Standard error digunakan untuk mengukur tingkat
kesalahan dari model regresi yang dibentuk.

Di sini nilainya adalah 6,1576.

Ada juga standard error untuk koefisien regresi karena
hanya ada 1 koefisien untuk predictor “iklan”, jadi standard
error koefisien regresinya adalah 0,359.

1712STK106
 4. NILAI F HITUNG
30

 Uji F digunakan untuk uji ketepatan model, apakah nilai

prediksi mampu menggambarkan kondisi
sesungguhnya.

Di sini, significance F < 0,05, berarti persamaan regresi

dinyatakan baik (good fit).

1712STK106
 5. NILAI t HITUNG
31

 Nilai t hitung digunakan untuk mengetahui pengaruh

variabel independen (𝑋) terhadap variabel dependen (𝑌).

Di sini, karena p-value-nya < 0,05, berarti ada pengaruh

variabel iklan terhadap penjualan.

1712STK106
 6. KESIMPULAN
32

Terdapat pengaruh positif biaya periklanan terhadap

volume penjualan.

Maka, implikasinya adalah sebaiknya perusahaan terus

meningkatkan periklanan agar penjualan meningkat.

1712STK106
 🔑 DAFTAR PUSTAKA
Sunyoto, Danang. (2003). Dasar-Dasar Statistika untuk Ekonomi.
Yogyakarta: CAPS.
Sunyoto, Danang. (2012). Statistika Induktif. Yogyakarta: CAPS.

1712STK106
 © KREDIT
Lecturer
Arfika Nurhudatiana, Ph.D.

Instructional Design Reviewer

Ahmad Arif, S.Pd.

Instructional Designer
Vina Rulina, S.Kep., Ns.

Content Developer
Nuraida Syarah, S.Si.
1712STK106
REGRESI LINEAR
BERGANDA
(1712-STK1-S06-03)
 TUJUAN PEMBELA JARAN
Setelah mempelajari bagian ini,
Anda diharapkan telah mampu:

Menghitung metode regresi linear berganda

dengan menggunakan Excel.

1712STK106
 REGRESI LINEAR BERGANDA
3

Dalam kasus nyata, sering ditemui persamaan

regresi yang akan digunakan untuk mengestimasi
suatu variabel yang melibatkan lebih dari dua
variabel independen.

1712STK106
 REGRESI LINEAR BERGANDA
4

Model regresi yang dihasilkan menjadi:

𝑌 = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + 𝑏3 𝑋3 + ⋯ + 𝑏𝑛 𝑋𝑛 + 𝜀

Di mana:
𝑌=Nilai yang diramalkan (variabel dependen)
𝑎=Konstansta 𝑋𝑛 =Variabel independen
𝑏𝑛 =Koefesien regresi 𝜀=nilai residu

1712STK106
 ASUMSI MODEL
5

Asumsi tentang suku sisaan (error), :

 Error 𝜀 merupakan suatu random variabel dengan

rata-rata nol (𝐸 𝜀 = 0).

 Varian error 𝜀, dinotasikan dengan 𝜎 2 , adalah sama

untuk semua nilai variabel bebas (homoscedastic).

1712STK106
 ASUMSI MODEL
6

 Variabel bebas yang digunakan dalam model tidak

memiliki korelasi yang kuat dengan variabel bebas
yang lain (tidak ada multikolinearitas).

 Nilai 𝜀 saling bebas (non autocorrelation).

 Sisaan 𝜀 terdistribusi normal.

1712STK106
 KONDISI MULTIKOLINEARITAS
7

Multikolinearitas
menunjukkan korelasi antar
variabel bebas.

1712STK106
 KONDISI MULTIKOLINEARITAS
8

Jika variabel bebas berkorelasi

kuat (misal, 𝑟 > 0,7), maka
tidak dapat diketahui efek
variabel bebas tertentu
terhadap variabel tak bebas
secara terpisah.
1712STK106
 KONDISI MULTIKOLINEARITAS
9

Jika estimasi persamaan

regresi digunakan hanya untuk
keperluan prediksi, maka
multikolinearitas umumnya
bukan masalah serius.

1712STK106
 PROSEDUR ANALISIS
10

1 Prosedur untuk mengestimasi rata-rata nilai 𝑌 dan

memperkirakan nilai individu 𝑌 dalam regresi berganda
sama seperti halnya pada regresi linier sederhana.

2 Kita mengganti nilai 𝑋1 , 𝑋2 , … , 𝑋𝑃 ke dalam persamaan regresi

estimasi dan hasilnya merupakan estimasi titik untuk 𝑌.

1712STK106
 CONTOH KASUS
11

Perusahaan ABC mengumpulkan data

gaji 20 orang di dalam tim manajemen
perusahaan untuk menganalisis
apakah gaji dipengaruhi oleh
pengalaman kerja (tahun) dan skor tes
kecerdasan.

1712STK106
 ANALISIS
12

Berikut merupakan tabel data

gaji karyawan Perusahaan ABC.

1712STK106
 ANALISIS
13

SUMMARY OUTPUT

Regression Statistics
Multiple R 0.913334
R Square 0.834179
Adjusted R Square 0.814671
Standard Error 2.418762
Observations 20

ANOVA
df SS MS F Significance F
Regression 2 500.3285 250.1643 42.76013 2.33E-07
Residual 17 99.45697 5.85041
Total 19 599.7855

Coefficients
Standard Error t Stat P-value Lower 95%Upper 95%Lower 95.0%
Upper 95.0%
Intercept 3.173936 6.156067 0.515579 0.612789 -9.81423 16.1621 -9.81423 16.1621
Pengalaman 1.403902 0.198567 7.070173 1.88E-06 0.984963 1.822842 0.984963 1.822842
Skor 0.250885 0.077354 3.243336 0.00478 0.087683 0.414088 0.087683 0.414088
1712STK106
 ANALISIS
14

Persamaan regresinya adalah

Gaji = 3,17 + 1,40 × pengalaman + 0,251 × skor

Di antara pengalaman dan skor, yang mana

yang lebih berpengaruh terhadap gaji?

1712STK106
 ANALISIS
15

Dari hasil perhitungan, dengan menggunakan excel,

didapatkan koefisien pengalaman (1,40) lebih besar
dari pada koefisien skor tes kecerdasan (0,251)
sehingga pengalaman lebih berpengaruh terhadap
kenaikan gaji dari pada skor kecerdasan.

1712STK106
 🔑 DAFTAR PUSTAKA
Sunyoto, Danang. (2003). Dasar-Dasar Statistika untuk Ekonomi.
Yogyakarta: CAPS.
Sunyoto, Danang. (2012). Statistika Induktif. Yogyakarta: CAPS.

1712STK106
 © KREDIT
Lecturer
Arfika Nurhudatiana, Ph.D.

Instructional Design Reviewer

Ahmad Arif, S.Pd.

Instructional Designer
Vina Rulina, S.Kep., Ns.

Content Developer
Nuraida Syarah, S.Si.
1712STK106