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 1
 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 2
 Koefisien Korelasi Pearson
dan korelasi lainnya...
 Pearson’s correlation coefficient (Parametrik)
 Spearman’s (rank) rho dan Kendall’s 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 Kendall’s 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 3
 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 4
 Scatter Plot
Y

*
**
**
*
* r =+1
**
*

(a) X
Dep Biostatistik dan
Kependudukan, FKM-UI 5
 Scatter Plot
Y

*
*
*
*
*
*
r =-1 *
*

X
(b)
Dep Biostatistik dan
Kependudukan, FKM-UI 6
 Scatter Plot
Y
*
*
* *
*
*
* *
* * *
* * r = 0.80
*

(c) X

Dep Biostatistik dan

Kependudukan, FKM-UI 7
 Scatter Plot
Y
*
*
* *
*
*
* * *
*
** *
*
*
* * r = 0.20

X
(d)
Dep Biostatistik dan
Kependudukan, FKM-UI 8
 Koefisien Korelasi Pearson
 Rumus menghitung besar dan arah nilai r

 xy   x y
r n

 x 2 
 x  2

  y 2 
 y 2




n 

n 


Dep Biostatistik dan

Kependudukan, FKM-UI 9
 Koefisien Korelasi Pearson
 Uji hipotesis r
 Ho : ρ=0
 Ha : ρ≠0
 Standar error nilai r

1 r 2
SE (r ) 
n2
 Uji Statistik nilai r df  n  2
r 0
t
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
.54 .09 .05 .29 .01 X persentase cakupan imunisasi DPT
.85 .01 .01 .72 .00 Y mortalitiy rate
.95 .04 .04 .90 .00
.81 .09 .08 .66 .01 n=20, ∑x=15,16, ∑y=1,24
.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
.83 .01 .01 .69 .00 xy 
.83 .15 .12 .69 .02 r n
.85 .01 .01 .72 .00     
x 
2
y 
2

.83 .01 .00 .69 .00



 x  2

n
  y 
 
2

n


.65 .05 .03 .42 .00
.98 .02 .02 .96 .00
.47 .19 .09 .22 .04 (15,16)(1,24)
0,73 
.74 .09 .07 .55 .01 20
.75 .01 .01 .56 .00
r  0,829
2 2
(15,16) (1,24)
.97 .01 .01 .94 .00 (12,41  )(0,17  )
.79 .04 .03 .62 .00 20 20
.91 .03 .02 .83 .00
------------------------------------------------------------------------
500 *123
4425  Dep Biostatistik dan
r 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 : ρ=0
 Ha : ρ≠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
Imunisasi DPT Pears on Correlation 1 -.829**
Sig. (2-tailed) .000
N 20 20
Mortality Rate Pears on Correlation -.829** 1
Sig. (2-tailed) .000
N 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
 ˆ  a  bx
Persamaan regresi linier y
 ŷ = dependen variabel; x=independen variabel;
b=slope dan a=intercept
 Rumus menghitung koefisien b dan a

 xy   x  y / n

 x   x  / n
b 2 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)
 xy   x   y / n 0,73 

 x   x  
b  20  0,283
2 2
2
/n (15,16)
(12,41  )
20
1,24 15,16
a  y  bx   ( 0,283)( )  0.278
20 20
Persamaan regresinya adalah
yˆ  0,278  0,283 x
Dep Biostatistik dan
Kependudukan, FKM-UI 19
 Regresi Linier Sederhana
Model Summary

Adjus ted Std. Error of

Model R R Square R Square the Es timate
1 .829 a .687 .670 .03939
a. Predictors : (Constant), Imunis as i DPT

ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regress ion .061 1 .061 39.575 .000 a
Res idual .028 18 .002
Total .089 19
a. Predictors : (Constant), Im unis as i DPT
b. Dependent Variable: Mortality Rate

Coefficientsa

Uns tandardized Standardized

Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Cons tant) .278 .035 7.848 .000
Imunisasi DPT -.283 .045 -.829 -6.291 .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