Anda di halaman 1dari 21

Koefisien Korelasi Pearson

dan Regresi Linier Sederhana

Topik
Koefisien Korelasi Pearson

Pengertian korelasi dan syarat korelasi


Menghitung dan menguji koefisien korelasi dan

Interpretasi koefisien korelasi


Regresi Linier Sederhana
Pengertian regresi linier sederhana

Menghitung persamaan regresi linier sederhana

Menguji koefisien regresi

Interpretasi persamaan regresi


Dep Biostatistik dan
Kependudukan, FKM-UI

Koefisien Korelasi Pearson

Simbol r
Hubungan antara dua variabel numerik (skala
pengukuran minimal interval)
Pola hubungan linier (garis lrus)
Hubungan statistik/probabilistik, bukan hubungan
deterministik atau hubungan sebab-akibat.
Tujuannya: Mengukur adanya atau kuatnya
hubungan antara dua variabel numerik
Apakah ada hubungan antara berat badan bayi saat
lahir dengan lingkar lengan atas bayi (LILA)?
Dst
Dep Biostatistik dan
Kependudukan, FKM-UI

Koefisien Korelasi Pearson


dan korelasi lainnya...

Pearsons correlation coefficient (Parametrik)


Spearmans (rank) rho dan Kendalls tau-b
correlation coefficient (Nonparametrik).
Asumsi dua variabel numerik mengikuti distribusi
normal (bivariate normal).
Besar nilai r sangat berpengaruh terhadap pencilan
(outliers)
Spearman rho atau Kendalls tau-b mengukur
hubungan antara dua variabel kualitatif atau kuantitatif
yang tidak berdistribusi normal (skewed) dan atau
adanya pencilan
Dep Biostatistik dan
Kependudukan, FKM-UI

Koefisien Korelasi Pearson


Sebelum menghitung koefisien korelasi
Periksa terlebih dahulu pola hubungan diantara
kedua variabel
Gunakan scatter plot
Bila pola hubungan cenderung linier (garis lurus)
hitung koefisien korelasi Pearson (r)
Bila tidak linier maka besarnya koefisien korelasi
Pearson ( r ) akan memberikan interpretasi yang
salah

Dep Biostatistik dan


Kependudukan, FKM-UI

Scatter Plot
Y

**

**

**

r =+1

(a)
Dep Biostatistik dan
Kependudukan, FKM-UI

X
5

Scatter Plot
Y
*

r =-1

(b)
Dep Biostatistik dan
Kependudukan, FKM-UI

X
6

Scatter Plot
Y
*
*

* *

*
*
*

* * *

* *

*
r = 0.80

(c)
Dep Biostatistik dan
Kependudukan, FKM-UI

X
7

Scatter Plot
Y
*

*
*
*

*
*

*
*

*
**

*
*

* * r = 0.20

(d)
Dep Biostatistik dan
Kependudukan, FKM-UI

X
8

Koefisien Korelasi Pearson

Rumus menghitung besar dan arah nilai


r
r

x y

xy

Dep Biostatistik dan


Kependudukan, FKM-UI

Koefisien Korelasi Pearson

Uji hipotesis r

Ho : =0

Ha : 0
Standar error nilai r

1 r2
SE (r )
n2
Uji Statistik nilai r

df n 2

r 0

1 r / n 2
2

Dep Biostatistik dan


Kependudukan, FKM-UI

10

Koefisien Korelasi Pearson

Batasan ( r )
Nilai r berkisar antara 0 s/d 1
Arah hubungan: Negatif atau Positif
Sehingga nilai r berkisar antara -1 s/d 1
Interpretasi nilai r

Hubungan negatif: Bila nilai x bertambah maka nilai


y berkurang tetapi tidak proporsional
Hubungan positif: Bila nilai x bertambah maka nilai
y juga bertambah tetapi tidak proporsional

Dep Biostatistik dan


Kependudukan, FKM-UI

11

Koefisien Korelasi Pearson

Interpretasi nilai r

Colton (1974) mengelompokkan nilai r sbb:


0.0 s/d 0.25 atau -0.25 s/d 0.0 tidak ada hubungan
antara kedua variabel
0.25 s/d 0.50 atau -0.25 s/d -0.50 hubungan dua
variabel rendah
0.50 s/d 0.75 atau -0.50 s/d -0.75 hubungan dua
variabel sedang
Lebih besar 0.75 atau lebih kecil -0.75 hubungan
dua variabel kuat

Dep Biostatistik dan


Kependudukan, FKM-UI

12

Koefisien Korelasi Pearson


x
y
xy
x2
y2
====================================
Pagano (hal 364)
.40
.17
.07
.16
.03
X persentase cakupan imunisasi DPT
.54
.09
.05
.29
.01
.85
.01
.01
.72
.00
Y mortalitiy rate
.95
.04
.04
.90
.00
n=20, x=15,16, y=1,24
.81
.09
.08
.66
.01
.26
.23
.06
.07
.05
xy=0,73, x2=12,41, y2=0,17
.90
.01
.01
.81
.00
.95
.01
.01
.90
.00
x y
xy
.83
.01
.01
.69
.00
n
.83
.15
.12
.69
.02
r
2
2

.85
.01
.01
.72
.00
x
y
2
2

x
y
.83
.01
.00
.69
.00
n
n

.65
.05
.03
.42
.00
.98
.02
.02
.96
.00
(15,16)(1,24)
.47
.19
.09
.22
.04
0,73
.74
.09
.07
.55
.01
20
r
0,829
.75
.01
.01
.56
.00
2
2
(15,16)
(1,24)
.97
.01
.01
.94
.00
(12,41
)(0,17
)
20
20
.79
.04
.03
.62
.00
.91
.03
.02
.83
.00
-----------------------------------------------------------------------500 *123
Dep Biostatistik dan
4425
15
0.89
Kependudukan, FKM-UI
13

(500) 2
(123) 2
17180
1269

Koefisien Korelasi Pearson

Dep Biostatistik dan


Kependudukan, FKM-UI

14

Koefisien Korelasi Pearson

Uji hipotesis r

Ho : =0

Ha : 0
Standar error nilai r
1 (0,829) 2
SE (r )
0,132
20 2

Uji Statistik nilai r


0,829
t
6,29; df 18
0,132

Nila-p <0,001

Dep Biostatistik dan


Kependudukan, FKM-UI

15

Koefisien Korelasi Pearson


Correlations

Imunisasi DPT

Mortality Rate

Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N

Imunisasi
DPT
1

Mortality Rate
-.829**
.000
20
20
-.829**
1
.000
20
20

**. Correlation is significant at the 0.01 level (2-tailed).

Dep Biostatistik dan


Kependudukan, FKM-UI

16

Regresi Linier Sederhana

Ada variabel Dependen dan Independen


Dependen variabel numerik, independen
numerik dan atau kategorik
Sederhana: ada satu variabel independen
Regresi: Mencari garis lurus terbaik yang
mewakili hubungan kedua variabel
Metode: Least-square
Garis regresi tsb digunakan untuk estimasi
atau prediksi perubahan variabel dependen
dari variabel independen
Dep Biostatistik dan
Kependudukan, FKM-UI

17

Regresi Linier Sederhana

y a bx

Persamaan regresi linier


y = dependen variabel; x=independen
variabel; b=slope dan a=intercept
Rumus menghitung koefisien b dan a

xy x y / n

b
x x / n
2

a y bx
Dep Biostatistik dan
Kependudukan, FKM-UI

18

Regresi Linier Sederhana

Persamaan regresi y
terhadap x

Pagano (hal 364): X persentase cakupan imunisasi DPT (independen), Y


mortalitiy rate (dependen). n=20, x=15,16, y=1,24, xy=0,73,
x2=12,41, y2=0,17

(15,16)(1,24)
y / n
20

0,283
2
(15,16)
/n
(12,41
)
20

xy x
x x
2

a y bx

0,73

1,24
15,16
( 0,283)(
) 0.278
20
20

Persamaan regresinya adalah

y 0,278 0,283 x

Dep Biostatistik dan


Kependudukan, FKM-UI

19

Regresi Linier Sederhana


Model Summary
Model
1

R
.829a

R Square
.687

Adjusted
R Square
.670

Std. Error of
the Estimate
.03939

a. Predictors: (Constant), Imunisasi DPT


ANOVAb
Model
1

Regression
Residual
Total

Sum of
Squares
.061
.028
.089

df
1
18
19

Mean Square
.061
.002

F
39.575

Sig.
.000a

a. Predictors: (Constant), Imunisasi DPT


b. Dependent Variable: Mortality Rate

Coefficientsa

Model
1

(Constant)
Imunisasi DPT

Unstandardized
Coefficients
B
Std. Error
.278
.035
-.283
.045

Standardized
Coefficients
Beta
-.829

t
7.848
-6.291

Sig.
.000
.000

a. Dependent Variable: Mortality Rate

Dep Biostatistik dan


Kependudukan, FKM-UI

20

TUGAS: Gunakan data 15


karyawan

Apakah ada hubungan antara


umur dan lama hari absen 2009?
Jika seorang karyawan berumur 35
tahun, hitunglah perkiraan lama
hari absennya.

Dep Biostatistik dan


Kependudukan, FKM-UI

21