menggunakan uji regresi linier sederhana dan koefisien korelasi Pearson. Berikut adalah
langkah-langkah yang dapat kita lakukan:
Selanjutnya, kita hitung jumlah (∑) dari masing-masing komponen dalam rumus koefisien
korelasi Pearson (r):
∑((X - X_mean) * (Y - Y_mean))
= ((50 - 61) * (30 - 40.5)) + ((70 - 61) * (33 - 40.5)) + ((80 - 61) * (50 - 40.5)) + ((33 - 61) * (25
- 40.5)) + ((90 - 61) * (60 - 40.5)) + ((60 - 61) * (45 - 40.5))
= (-11 * -10.5) + (9 * -7.5) + (19 * 9.5) + (-28 * -15.5) + (29 * 19.5) + (-1 * 4.5)
= 1611
Selanjutnya, kita hitung jumlah (∑) dari masing-masing komponen kuadrat dalam rumus
koefisien korelasi Pearson (r):
∑((X - X_mean)^2)
= ((50 - 61)^2) + ((70 - 61)^2) + ((80 - 61)^2) + ((33 - 61)^2) + ((90 - 61)^2) + ((60 - 61)^2)
= 1700
∑((Y - Y_mean)^2)
= ((30 - 40.5)^2) + ((33 - 40.5)^2) + ((50 - 40.5)^2) + ((25 - 40.5)^2) + ((60 - 40.5)^2) + ((45 -
40.5)^2)
= 943.5
Sekarang, kita dapat menghitung koefisien korelasi Pearson (r) menggunakan rumus:
r = (∑((X - X_mean) * (Y - Y_mean))) / (sqrt(∑((X - X_mean)^2)) * sqrt(∑((Y - Y_mean)^2)))
= 1611 / (sqrt(1700) * sqrt(943.5))
≈ 0.920
Dalam konteks ini, kita tidak memiliki informasi tentang koefisien regresi (b), sehingga tidak
dapat melakukan pengujian secara langsung.
Namun, karena koefisien korelasi Pearson (r) kita sebelumnya adalah 0.920, yang cukup
jauh dari 0, kita dapat menyimpulkan bahwa ada bukti yang kuat untuk menolak hipotesis
nol (H0) dan menerima hipotesis alternatif (H1), yaitu ada hubungan antara X dan Y.
Namun, karena kita tidak memiliki nilai koefisien regresi (a dan b), kita tidak dapat
memprediksi nilai Y secara akurat.
Jadi, untuk nilai X = 75, kita tidak dapat memberikan nilai prediksi Y yang tepat berdasarkan
data yang diberikan.