STATISTIKA

PERTEMUAN 5
ANALISIS KORELASI DAN
REGRESI LINIER SEDERHANA

Dosen Pengampu :
NURYADI, S.Si, M.Si
 BAHASAN PERTEMUAN 5
ARTI ANALISA KORELASI
ARTI KOEFISIEN DETERMINASI
METODE Least Square UNTUK REGRESI
PREDIKSI MENGGUNAKAN REGRESI DATA
BERKELOMPOK, RANK, DAN KUALITATIF

TUJUAN :
Menjelaskan pentingnya analisis hubungan
Menjelaskan dan Menghitung koefisien korelasi dan
regresi sederhana
Memahami dan menerapkan regresi dan korelasi
Menggunakan tehnik prediksi dari analisis regresi
 (1) ARTI ANALISA KORELASI
Pada semua kejadian, pasti ada faktor yg menyebabkan
terjadinya kejadian tsb (Misal : menurunnya kelembaban
udara mungkin karena suhu udara meningkat, menurunnya
produksi padi mungkin karena pupuknya berkurang; dll).
Kejadian tsb dapat dinyatakan dengan “perubahan nilai
variabel” (Misal : jika X = kelembaban, maka naik-turunnya
kelembaban dapat dinyatakan dengan perubahan nilai X. Jika
Y = suhu udara, maka naik-turunnya suhu udara dinyatakan
dengan perubahan nilai Y).
Jadi, hubungan antara dua kejadian dapat dinyatakan dengan
“hubungan dua variabel”.
Dalam pertemuan ini, hanya akan dibahas “hubungan linier
antara dua variabel X dan Y” (Reg.Sederhana). Hubungan
linier dan nonlinier lebih dari dua variabel (Reg.Berganda)
akan dibahas pada pertemuan berikutnya.
 ARTI ANALISA KORELASI (lanjutan)

Jika variabel X dan Y mempunyai hubungan, maka variabel X

yang sudah diketahui nilainya dapat digunakan untuk
memperkirakan atau menaksir Y.
Variabel Y yang nilainya akan diperkirakan disebut “variabel
tidak bebas (dependent variable)”, sedangkan nilai X yang
digunakan untuk memperkirakan nilai Y disebut “variabel
bebas (independent variable)”.
Jadi, analisis korelasi memungkinkan “untuk menduga
sesuatu”, baik secara “kualitatif” (Misal : akan turun hujan,
akan lulus ujian, harga beras akan naik, dll) maupun
“kuantitatif” (Misal : hujan bulan November sekitar 300 mm,
produksi padi akan mencapai 16 juta ton, dll).
Salah satu cara untuk melakukan perkirakan dari dua
variabel tsb adalah dengan menggunakan “garis regresi”.
(2) KOEFISIEN KORELASI DAN KEGUNAANNYA
Hubungan dua variabel bisa “positif” atau “negatif”. Hubungan X
dan Y dikatakan positif jika “kenaikan / penurunan nilai X”
umumnya diikuti oleh “kenaikan / penurunan nilai Y”. Sebaliknya,
dikatakan negatif jika “kenaikan / penurunan nilai X” diikuti oleh
“penurunan / kenaikan nilai Y”

Contoh Hubungan "Positif" Contoh Hubungan "Negatif"

Variabel X Variabel Y Variabel X Variabel Y
Pupuk Produksi Suhu Udara Kelembaban
Penguapan Curah Hujan Harga Barang Hasil Penjualan
Berat Badan Tekanan Darah Pendapatan Kejahatan
 KOEFISIEN KORELASI DAN KEGUNAANNYA
Apabila bentuk diagram pencar “tidak teratur” artinya “kenaikan /
penurunan nilai X” umumnya tidak diikuti oleh “kenaikan /
penurunan nilai Y”, maka dikatakan X dan Y “TIDAK
BERKORELASI”. Artinya, “variabel X tidak mempengaruhi Y”
dan dikatakan X dan Y bebas (independent).

X Y
1 4
3 4
2 2
1.5 3
2.5 3
2 6
2.5 5
1.5 5
 KOEFISIEN KORELASI DAN KEGUNAANNYA
Kuat atau tidaknya hubungan antara X dan Y apabila dapat
dinyatakan dengan “FUNGSI LINIER”, diukur dengan suatu nilai
yang disebut “KOEFISIEN KORELASI ( r ) ” dengan nilai paling
sedikit -1 dan paling besar +1.
Jadi : -1 ≤ r ≤ +1
Artinya :
r = +1, hubungan X dan Y sempurna dan positif (mendekati +1
menggambarkan hubungan sangat kuat dan positif).
r = -1, hubungan X dan Y sempurna dan negatif (mendekati -1
menggambarkan hubungan sangat kuat dan negatif).
r = 0, hubungan X dan Y lemah sekali (tidak ada hubungan).

“Naik/turunnya nilai Y yang bervariasi” tidak semata-mata

disebabkan oleh X, karena masih ada “FAKTOR LAIN”.
Misal : jika Y = hasil penjualan, X = biaya iklan, maka naik/turunnya
Y selain disebabkan oleh X, juga oleh faktor (variabel) lain seperti
pendapatan masyarakat, selera, harga, dll.
 KOEFISIEN KORELASI DAN KEGUNAANNYA
Terkait dengan hal tsb, muncul pertanyaan :
“BERAPA BESARNYA KONTRBUSI VARIABEL X TERHADAP
NAIK/TURUNYYA NILAI Y”.
Jawaban dari pertanyaan tsb, maka harus dihitung suatu koefisien
yang disebut “KOEFISIEN PENENTUAN (coefficient of
determination)” yang biasa disimbolkan (KP) dengan rumus :

KP = r2
Contoh :
Jika r = 0.9 maka nilai KP = (0.9)2 = 0.81 (81%), yaitu besarnya
sumbangan variabel X terhadap naik/turunnya Y adalah 81%.
Sedangkan 19% merupakan sumbangan faktor (variabel) lain.
TAFSIRAN TENTANG
KOEFISIEN KORELASI
Koefisien Korelasi (r) antara kedua peubah X dan Y dapat
dirumuskan sebagai berikut :
 
r = Sxy /  (Sx2 Sy2)
 
n
Sxy =  ( Xi - Xr ) ( Yi – Yr ) / n - 1 = kovarian antara X dan Y
i=1
n
Sx =  ( Xi - Xr )2 / n - 1 = ragam X; Sy2 =  ( Yi - Yr )2 / n - 1 = ragam Y
2

i=1 

r2 = .  (Y –Yr)2 -  (Y –Ŷ)2 . Rumus 1

 (Y - Yr)2
(UMUM)

r = . n  XY – ( X) ( Y) .
Rumus 2
√ { n  X2 – ( X)2 } { n  Y2 – ( Y)2 }
(REGRESI
LINIER)
Koefisien Korelasi ( r ) :

menggambarkan tingkat keeratan hubungan linear antara dua peubah

atau lebih. Besaran dari koefisien korelasi tidak menggambarkan
hubungan sebab akibat, tetapi semata-mata menggambarkan
keterkaitan antara linear.

Nilai r yang mendekati 1 atau -1 menunjukkan semakin eratnya

hubungan linear antara kedua peubah.
Sedangkan nilai r yang mendekati nol menggambarkan hubungan
kedua peubah tidak linear.

Untuk r = +1 atau r = -1 menyatakan hubungan “linear positif

sempurna” atau “linear negatif sempurna” antara dua variabel.

Artinya, melalui regresi linear Y atas X, peubah respon Y sepenuhnya

atau 100% ditentukan oleh peubah prediktor X.
Koefisien Korelasi antara X dan Y sebagai ukuran hubungan, dapat
dilihat dari dua segi :
Pertama, r dihitung untuk menentukan apakah ada korelasi antara X dan
Y, jika ada apakah berarti atau tidak.
Kedua, untuk menentukan derajat hubungan antara X dan Y jika
hubungan itu memang sudah ada atau diasumsikan ada.

Derajat hubungan, secara verbal sering dipertanyakan, misalnya

dalam bentuk :
“tidak ada atau dapat diabaikan”
“rendah atau lemah (ada tapi kecil), cukup, tinggi atau kuat”
“sangat tinggi atau sangat kuat”
Dalam klasifikasi verbal tersebut, tidak ada satu pedoman yang dapat
dijadikan batas-batas nilai koefisien korelasi (r), melainkan harus ditinjau
dari berbagai segi, diantaranya :
a) Sifat atau karakteristik peubah yang sedang dipelajari
b) Keberartian koefisien korelasi
c) Variabilitas kelompok
d) Maksud penggunaan koefisien korelasi
JADI : tidak ada misalnya, klasifikasi korelasi tinggi jika r > 0.8 atau
lemah jika -0.2 < r < 0.2 yang berlaku untuk semua keadaan.
Koefisien korelasi, nilainya juga sangat tergantung pada ukuran sampel
n, selain juga pada bentuk regresinya.
Nilai r = 0.6 yang didapat dari sampel n = 60, akan memiliki kelakuan
yang berbeda dengan r = 0.6 yang didapat dari sampel berukuran
n = 300. Kenyataan ini, dapat dicek melalui pengujian hipotesis.

Berapapun besarnya koefisien korelasi, tidaklah selalu terjadi kausa

yang mengatakan peubah yang satu merupakan penyebab bagi
peubah yang lain.

Hal ini diperkuat oleh ketentuan bahwa fungsi koefisien korelasi adalah
untuk menyatakan derajat hubungan antara sejumlah peubah.

Hanya jika benar ada petunjuk dan penunjang kuat di luar korelasi,
maka penafsiran gabungan antara korelasi dan penunjang tersebut
mungkin bisa memberi kesan sebagai kausa kepada peneliti.
Koefisien korelasi yang dihitung menggunakan “Rumus 1 dan 2”, tidak
lepas dari bentuk regresinya, yaitu regresi linear sederhana.

Artinya, sangat tidak tepat jika membahas dan membuat kesimpulan

menggunakan koefisien korelasi tanpa melibatkan regresinya, yaitu
regresi linear.

Sebagi contoh akan dihitung data seperti pada tabel berikut :

X Y Jika dicari regresinya, untuk kedua pasangan data

tersebut akan tampak bahwa bukan regresi linear
3 11
Y = a + bX, melainkan regresi Y = 2 + X2, yaitu regresi
2 6 berbentuk parabola.
1 3 Selanjutnya kita hitung koefisien korelasi (r)
0 2 menggunakan Rumus 2 (Rumus Reg.Linier), dengan
-1 3 menghitung besaran-besaran :
-2 6 ∑X = 0, ∑X2 = 28, ∑Y = 42, ∑Y2 = 336, ∑XY = 0, dan
-3 11 n=7
 X Y X2 Y2 XY
3 11 9 121 33
2 6 4 36 12
1 3 1 9 3
0 2 0 4 0
-1 3 1 9 -3
-2 6 4 36 -12
-3 11 9 121 -33
∑ 0 42 28 336 0
Menggunakan Rumus 2 (regresi linear), diperoleh :
r = . 7 ( 0 ) – ( 0 ) ( 42 ) . = 0
√ { 7 (28) – (0)2 } { 7 (336) – (42)2 }
Dalam bahasa determinasi, jika hanya melihat r = 0 ini saja, dikatakan bahwa
kontribusi peubah X terhadap Y adalah 0%, artinya adanya atau terjadinya Y
adalah secara mandiri, tidak tergantung atau berhubungan dengan X.
Padahal, antara X dan Y terdapat hubungan regresi parabola Y = 2 + X 2 yang
menunjukan bahwa Y tergantung pada X.
Dengan demikian, nilai r harus dihitung menggunakan rumus yang tidak
berdasarkan pada bentuk regresi linear, melainkan atas dasar regresi
non_linear, yaitu regresi parabola, menggunakan Rumus 1 (UMUM).
Menggunakan Rumus 1, terlebih dahulu menghitung besaran-besar yang
diperlukan. Dengan nilai Yrata-rata (Yr) = 6, dan untuk tiap X bisa dihitung dari
Y = 2 + X2, seperti pada tabel berikut :
X Y Ŷ Y - Yr ( Y-Yr )2 Y-Ŷ ( Y - Ŷ )2
3 11 11 5 25 0 0
2 6 6 0 0 0 0
1 3 3 -3 9 0 0
0 2 2 -4 16 0 0
-1 3 3 -3 9 0 0
-2 6 6 0 0 0 0
-3 11 11 5 25 0 0
Yr 6 JLH 84 0 0

r2 = .  (Y –Yr)2 -  (Y –Ŷ)2 . r2 = . 84 - 0 . = +1
 (Y - Yr)2 84
Hasil hitungan menunjukan, terdapat hubungan sempurna (r2 = +1) antara X dan
Y yang dibentuk oleh regresi parabola Y = 2 + X2, yang berarti bahwa variasi Y
sepenuhnya (100%) dapat dijelaskan oleh X.
CONTOH ini hendaknya menyadarkan kita bahwa “harus sangat hati-hati”
menghitung dan menggunakan KORELASI dan REGRESI untuk pengambilan
KEPUTUSAN.
 2
Scatter Plot X dan Y y=x +2
2
R =1
12

10

8
Nilai Y

0
-4 -3 -2 -1 0 1 2 3 4
Nilai X
 (3) RUMUS KOEFISIEN KORELASI ( r )

n Jika : xi  Xi  X ,
xy i i
1 n
X   Xi
Rumus 1 : r i 1
n i 1
n n

 xi
i 1
2
 yi
i 1
2
Yi  Yi  Y ,
1 n
Y   Yi
n i 1

n n n
n XiYi   Xi  Yi
Rumus 2 : r 
i 1 i 1 i 1
n n n n
n Xi  ( Xi ) 2 2
n Yi  ( Yi )2 2

i 1 i 1 i 1 i 1
 Contoh Hitung Koefisien Korelasi ( r )
X adalah nilai suhu udara rata (0C) dan Y adalah kelembaban
udara rata-rata (%), nilai keduanya seperti pada tabel. Hitung
koefisien korelasi ( r ) ?

X 25.0 25.5 26.2 26.8 27.0 27.8 28.0 27.2 26.5 26.0
Y 88 86 82 79 75 72 65 70 78 85

Langkah menghitung, buatlah lembar kerja seperti tabel berikut

yang disusun berdasarkan rumus r
Untuk Rumus 1 :
X Y X-Xr Y-Yr x2 y2 xy
Untuk Rumus 2 :
    (x) (y)      
  X Y X2 Y2 XY
25.0 88 -1.6 10.0 2.56 100.0 -16.0
  25.0 88 625.00 7744 2200.0
25.5 86 -1.1 8.0 1.21 64.0 -8.8
  25.5 86 650.25 7396 2193.0
26.2 82 -0.4 4.0 0.16 16.0 -1.6
  26.2 82 686.44 6724 2148.4
26.8 79 0.2 1.0 0.04 1.0 0.2
  26.8 79 718.24 6241 2117.2
27.0 75 0.4 -3.0 0.16 9.0 -1.2
  27.0 75 729.00 5625 2025.0
27.8 72 1.2 -6.0 1.44 36.0 -7.2
  27.8 72 772.84 5184 2001.6
28.0 65 1.4 -13.0 1.96 169.0 -18.2
  28.0 65 784.00 4225 1820.0
27.2 70 0.6 -8.0 0.36 64.0 -4.8
  27.2 70 739.84 4900 1904.0
26.5 78 -0.1 0.0 0.01 0.0 0.0
  26.5 78 702.25 6084 2067.0
26.0 85 -0.6 7.0 0.36 49.0 -4.2
  26.0 85 676.00 7225 2210.0
Rata_2 26.6 78.0          
Σ 266.0 780.0 7083.9 61348.0 20686.2
Σ     0.0 0.0 8.3 508.0 -61.8
 Selanjutnya nilai-nilai tsb masukan dalam rumus :
n

xy i i
 61.8
Rumus 1 : r i 1
  0.95
n n (2.8740)(22.5388)
x  y
i 1
i
2

i 1
i
2

n n n
n XiYi   Xi  Yi
i 1 i 1 i 1  618
r   0.95
Rumus 2 : n n n n (9.0884)(71.2741)
n Xi  ( Xi )
2 2
n Yi  ( Yi ) 2
2

i 1 i 1 i 1 i 1

Nilai r = - 0.95, hubungan antara X dan Y sangat kuat dan negatif,

artinya kenaikan suhu udara umumnya menurunkan kelembaban,
dan sebaliknya.
Selanjutnya, dari nilai r, dihitung nilai KP = r2 = (0.95)2 = 0.9025 ≈
0.90 = 90%. Artinya : kontribusi suhu udara terhadap kelembaban
udara adalah 90%, sedangkan sisanya 10% merupakan kontribusi
faktor lain, misalnya kecepatan angin, penyinaran matahari, dll.
 Contoh Lain Hitung Koefisien Korelasi ( r )
Halaman 163 :
X adalah persentase kenaikan biaya iklan dan Y adalah persentase
kenaikan hasi penjualan, nilai keduanya seperti pada tabel. Hitung
koefisien korelasi ( r ) ?
X 1 2 4 5 7 9 10 12
Y 2 4 5 7 8 10 12 14

Langkah menghitung, buatlah lembar kerja seperti tabel berikut

yang disusun berdasarkan rumus r

Untuk Rumus 1 :
X Y X-Xr Y-Yr x2 y2 xy
    (x) (y)      
Untuk Rumus 2 :
1 2 -5.25 -5.75 27.5625 33.0625 30.1875 X Y X2 Y2 XY
2 4 -4.25 -3.75 18.0625 14.0625 15.9375 1 2 1 4 2
4 5 -2.25 -2.75 5.0625 7.5625 6.1875 2 4 4 16 8
5 7 -1.25 -0.75 1.5625 0.5625 0.9375 4 5 16 25 20
7 8 0.75 0.25 0.5625 0.0625 0.1875 5 7 25 49 35
9 10 2.75 2.25 7.5625 5.0625 6.1875 7 8 49 64 56
10 12 3.75 4.25 14.0625 18.0625 15.9375 9 10 81 100 90
12 14 5.75 6.25 33.0625 39.0625 35.9375 10 12 100 144 120
Rata_2 6.25 7.75           12 14 144 196 168
Σ     0 0 107.5 117.5 111.5 Σ 50 62 420 598 499
 Selanjutnya nilai-nilai tsb masukan dalam rumus :

xy i i
111 .5
Rumus 1 : r 
n
i 1
n
r  0.99
x y i
2
i
2 107.5 117.5
i 1 i 1

n n n
n XiYi   Xi  Yi
8(499)  (50)(62)
Rumus 2 : r  n
i 1
n
i 1
n
i 1
n
r  0.99
n Xi 2  ( Xi ) 2 n Yi 2  ( Yi ) 2 8(420)  (50) 2
8(598)  (62) 2

i 1 i 1 i 1 i 1

Nilai r = 0.99, hubungan antara X dan Y sangat kuat dan positif,

artinya kenaikan biaya iklan umumnya menaikkan hasil penjualan.
Selanjutnya, dari nilai r, dihitung nilai KP = r2 = (0.99)2 = 0.9821 ≈
0.98 = 98%. Artinya : kontribusi biaya iklim terhadap variasi hasil
penjualan adalah 98%, sedangkan sisanya 2% merupakan
kontribusi faktor lain, seperti daya beli masyarakat.
 (4) RUMUS KOEFISIEN KORELASI ( r )
(DATA BERKELOMPOK)
n( uvf )  ( ufu )( vfv )
r
n( u 2 fu )  ( ufu ) 2 n( v 2 fv )  ( vfv ) 2

Contoh (halaman 168) :

100 mahasiswa AIS melaksanakan ujian statistik dan matematik.
Asumsi : jika kemampuan matematik (X) rendah, maka kemampuan
statistik (Y) juga rendah, dan sebaliknya. Hasil nilai ujian yang
diperoleh sebagai berikut :

  Matematika 40-49 50-59 60-69 70-79 80-89 90-99 Jumlah

Statistika                
(1) (2) (3) (4) (5) (6) (7) (8)
90-99       2 4 4 10
80-89     1 4 6 5 16
70-79     5 10 8 1 24
60-69 1 4 9 5 2   21
50-59 3 6 6 2     17
40-49 3 5 4       12
Jumlah 7 15 25 23 20 10 100
 Menghitung Koefisien Korelasi ( r )
(Data Berkelompok)
Dari tabel sebelumnya, menunjukkan hubungan nilai matematik
dan statistik merupakan dua tabel frekuensi berikut :

Kelas Nilai Nilai Tengah     Kelas Nilai Nilai Tengah    

Matematika (X) u fu Statistika (Y) v fv
40-49 44.5 -2 7 90-99 94.5 2 10
50-59 54.5 -1 15 80-89 84.5 1 16
60-69 64.5 0 25 70-79 74.5 0 24
70-79 74.5 1 23 60-69 64.5 -1 21
80-89 84.5 2 20 50-59 54.5 -2 17
90-99 94.5 3 10 40-49 44.5 -3 12

Tabel menunjukkan bahwa u dan v masing-masing adalah skala

baru dari X dan Y.
Kelas atau nilai tengah yang harus diberi “nilai 0” untuk kelas
genap (seperti contoh), “pilihlah kelas yang dekat dengan nilai
tengah”, yaitu untuk X (64.5 atau 74.5) diberi nilai 0, jadi u = 0.
Demikian juga untuk Y.
f adalah frekuensi untuk tiap sel, jadi fu = frekuensi untuk X atau u,
dan fv = frekuensi untuk Y atau v.
Jika dua tabel frekuensi tersebut digabung, akan diperoleh tabel
berikut :
  u -2 -1 0 1 2 3 fv
v                
(1) (2) (3) (4) (5) (6) (7) (8)
2       2 4 4 10
1     1 4 6 5 16
0     5 10 8 1 24
-1 1 4 9 5 2   21
-2 3 6 6 2     17
-3 3 5 4       12
fu 7 15 25 23 20 10 100
Selanjutnya, untuk perhitungan r dibuat “tabel korelasi” seperti
berikut (perhatikan perubahan letak u, v, fu dan fv ) :
(I) (II) (III) (IV) (V)
fv vfv v 2f v
Keterangan :
v uvf
      2 4 4 2 10 20 40 44
    1 4 6 5 1 16 16 16 31 Cara menghitung
    5 10 8 1 0 24 0 0 0
1 4 9 5 2   -1 21 -21 21 -3 nilai pada setiap
3 6 6 2     -2 17 -34 68 20 baris dan kolom,
3 5 4       -3 12 -36 108 33
(VI) u -2 -1 0 1 2 3   100 -55 253 125
dijelaskan pada
(VII) fu 7 15 25 23 20 10 100 halaman :
(VIII) ufu -14 -15 0 23 40 30 64 169 - 171
(IX) u2fu 28 15 0 23 80 90 236
(X) uvf 32 31 0 -1 24 39 125
Berdasarkan nilai jumlah (Σ) pada kolom dan baris tabel tersebut
diperoleh :
Σufu = 64, Σu2fu = 236, Σvfv = -55, Σv2fv = 253, Σuvf = 125, dan n = 100

n( uvf )  ( ufu )( vfv )

r
n( u 2 fu )  ( ufu ) 2 n( v 2 fv )  ( vfv ) 2

100(125)  (64)(55)
r  0.7686  0.77
100(236)  (64) 2
100(253)  (55) 2

Kesimpulan :
Hubungan nilai matematik dan statistik “cukup kuat dan positif”.
Artinya, nilai matematik yang diperoleh akan mempengaruhi nilai
statistik.
Pada umumnya, mahasiswa dengan nilai matematik yang rendah
akan memperoleh nilai statistik yang rendah; sebaliknya jika nilai
matematik tinggi, maka nilai statistik yang akan dicapai juga tinggi.
(5) PENGERTIAN KORELASI RANK

ANALISIS DATA
KORELASI STATISTIK DITU- MENGETAHUI RANKING
RANK JUKAN UNTUK SUATU DATA,
MINIMAL 2 DATA

RUMUS KOEFISEN RANK DINAMAKAN

“RUMUS SPEARMAN”

n
dimana :
6 d i
2

rrank  1  i 1 di = selisih pasangan rank

n( n  1)
2
n = banyaknya pasangan rank
 Contoh Soal dan Bahasan
d
NO NAMA ROKOK
Rank JONI Rank TONO (selisih rank) d2
1 Kansas 9 8 1 1
2 Jarum 5 3 2 4
3 555 10 9 1 1
4 Bentoel 1 2 (1) 1
5 Mascot 8 7 1 1
6 Salem 7 10 (3) 9
7 Gentong 3 4 (1) 1
8 Minakjinggo 4 6 (2) 4
9 Gudang Garam 2 1 1 1
10 Dunhill 6 5 1 1
∑   55 55 - 24

Koefisien Rank (Spearman) :

n
6 d i2
6 x 24
rrank  1  i 1
 1  0,85
n( n  1)
2
10.(100  1)
 (6) KORELASI DATA KUALITATIF

KORELASI UKURAN UNTUK MENGUKUR KUATNYA

HUBUNGAN BERSYARAT DATA
KUALITATIF STATISTIK
KUALITATIF (Koefisien Bersyarat)

RUMUS
Besarnya C tergantung pada
banyaknya baris dan kolom (r), batas 2
Cc 
tertinggi C dapat dirumuskan : 2 n
RUMUS p q p q p q
n   fij   ni   nj  n ij  banyaknyaobservasi
i 1 j 1 i 1 i 1 i 1 j 1
r 1
Cc 
r p q
( f ij  eij ) 2 dimana :
  
2
 khikuadrat
dimana : i 1 j 1 eij fij = nij = frek.observasi
r = banyaknya baris dan ni .n j (baris i kolom j)
kolom. eij   frekuensih arapan i = 1, 2, ….., pi
n j = 1, 2, …., qi
 Contoh Soal dan Penyelesaian (Hal. 178-179)
Carilah Koefisien Bersyarat dari hasil penelitian hubungan antara
Tingkat pendidikan ibu rumah tangga dengan konsumsi makanan
dari anggota keluarga?

Pendidikan Kurang Cukup Sangat Cukup ∑n

Tidak tamat SLA 82 65 12 n1 =159
Tamat SLTA 59 112 24 n2 =195
Pernah Masuk PT 37 94 42 n3 =173
∑n n1 =178 n2 = 271 n3 = 78 n = 527

ni .n j
eij   frekuensih arapan
n

PENDIDIKAN K (f) ẹi1 C (f) ei2 SC(f) ei3 ∑n

TIDAK TAMAT SLA 82,0 53,7 65,0 81,8 12,0 23,5 159,0
TAMAT SLTA 59,0 65,9 112,0 100,3 24,0 28,9 195,0

PERNAH MASUK PT 37,0 58,4 94,0 89,0 42,0 25,6 173,0

∑n 178,0 178,0 271,0 271,0 78,0 78,0 527,0
 Penyelesaian
p q
( f ij  eij ) 2 ( f 11  e11) 2 ( f 12  e12) 2 ( f 13  e13) 2
  
2
   
i 1 j 1 eij e11 e12 e13
( f 21  e 21) 2 ( f 22  e 22) 2 ( f 23  e 23) 2 ( f 31  e31) 2 ( f 32  e32) 2 ( f 33  e33) 2
     
e 21 e 22 e 23 e31 e32 e33
(82  53.7) 2 (65  81.76) 2 (12  23.53) 2 (59  65.86) 2 (112  100.28) 2
    
53.70 81.76 23.53 65,86 100.28
(24  28.86) 2 (37  58.43) 2 (94  88.96) 2 (42  25.61) 2
    45.54
28.86 58.43 88.96 25.61

2 45.54
Cc    0,28
2 n 45.54  527
Karena jumlah baris dan jumlah kolom sama dengan 3, maka r = 3.
Batas atas Cc adalah : √ (3-1)/3 = 0.82.
Perbandingan Cc dengan batas atas = 0.28 / 0.82 = 0.34 (lebih kecil dari
0.50), maka korelasi antara tingkat pendidikan ibu rumah tangga dengan
konsumsi makanan anggota rumah tangga “tidak begitu kuat, bahkan
lemah”.
 (7) TEKNIK RAMALAN DAN
ANALISIS REGRESI

Bentuk Umum Persamaan Regresi Linear

 Bentuk Umum : Konstanta a dan b dihitung
menggunakan rumus :
Y  a  bx dengan huruf kecil :
 Keterangan : b
xy i i

Y = Variabel Terikat x i
2

(dependent) dengan huruf besar :

X = Variabel Bebas n XiYi  ( Xi )( Yi )
b
n Xi 2  ( Xi ) 2
(independent)
a dan b = Konstanta
a  Y  bX
 Contoh Soal dan Penyelesaian
Berikut data hasil produksi karyawan sebagai variabel terikat (Y) dan hasil
tes kecerdasan karyawan sebagai variabel bebas (X) dari 8 orang karyawan
pabrik mainan. Diasumsikan bahwa karyawan yang memiliki nilai tes tinggi
akan memberi hasil produksi yang lebih tinggi juga. (Halaman 182)
DITANYA :
1) Buatlah “persamaan regresi” yang memperlihatkan hubungan kedua variabel
1)tersebut ?
2) Berapa “ramalan hasil produksi” jika ada karyawan memiliki nilai tes 15 ?

Diagram Pencar (scatter plot)

Data : Y
Karyawan Hasil Produksi Nilai Tes
  (lusin) Kecerdasan
  (Y) (X)
A 30 6
B 49 9 F
C 18 3 C
D 42 8
E 39 7
F 25 5 X
G 41 8
H 52 10
 Penyelesaian
Karyawan Hasil Produksi Nilai Tes y x xy x2 y2
  (lusin) Kecerdasan (Y - Yr) (X - Xr)      
  (Y) (X)          
A 30 6 -7 -1 7 1 49
B 49 9 12 2 24 4 144
C 18 3 -19 -4 76 16 361
D 42 8 5 1 5 1 25
E 39 7 2 0 0 0 4
F 25 5 -12 -2 24 4 144
G 41 8 4 1 4 1 16
H 52 10 15 3 45 9 225
Yr 37            
Xr   7          
Σ 296 56 0 0 185 36 968

b
 xy i i

185
 5.13888  5.14 b) Ramalan produksi, jika nilai
x i
2
36
tes 15 :

a  Y  b X  37  5.14(7)  1.02 Y  1.02  5.14(15)  78.12  78

 Hasil produksi = 78
a) Pers Regresi : Y  1.02  5.14 X
 Contoh Soal dan Penyelesaian
SUATU PABRIK ROTI INGIN MENCARI KAITAN HUBUNGAN ANTARA
JUMLAH PRODUKSI ROTI (X) DAN JUMLAH JAM KERJA (Y).
DITANYA :
Hitung r, R, KOEFISIEN a, b, dan Berapa Jam Kerja yang Dibutuhkan
untuk Menghasilkan 75 Produk ?

n n n
NO PRO (X) JAKER (Y) n X i .Yi   X i . Yi
r i 1 i 1 i 1
 0,99
1 30 73  2 2
n n n n

2 20 50  n 
 i 1
X i
2
 ( 
i 1
X 1 )  n 
  i 1
Yi
2
 ( 
i 1
Yi ) 

3 60 128
n xy  ( x).( y )
4 80 170 b  2,0
n  x 2  ( x ) 2
5 40 87
6 50 108 a  Y  b x  10
7 60 135
8 30 69 R=r2=0.992=0.98
9 70 148
10 60 132
Ẏ = a + bX=10+2,0x(75)=160
Latihan :
 Seorang peneliti ingin mengetahui hubungan antara indeks penguapan di
Samudera Hindia (X) pada posisi grid 6, 7, dan 11 dengan curah hujan
bulanan (Y) di pesisir Sumatera Barat (diwakili Stamet Tabing) selama
periode 1991-2000.
 Hitung r, R, Koefisien a, b, pada setiap grid dan posisi grid mana yang
paling baik hubungannya ?
 Selanjutnya, ingin diketahui diantara bulan Juli dan November, bulan
mana yang paling baik hubungannya ?
 Berapa indeks penguapan Grid 6 yang diperlukan untuk memperoleh
curah hujan >300 mm pada bulan November ?

37
 Data Indeks Penguapan Grid 6, 7 dan 11 Samudera Hindia dan Hujan Bulanan Stamet Tabing
Periode 1991 - 2000
Tahun Bulan Indeks Penguapan Hujan Tahun Bulan Indeks Penguapan Hujan
    Grid 6 Grid 7 Grid 11 (mm)     Grid 6 Grid 7 Grid 11 (mm)
1991 1 5.282412 3.714587 1.259695 532 1996 1 3.363413 2.947815 1.016804 413
  2 3.836398 3.721022 1.868798 235   2 2.154603 1.363093 1.082396 345
  3 1.508003 1.692004 1.390784 535   3 4.107632 3.49738 2.140213 373
  4 2.549796 2.2825 0.375996 240   4 2.361696 1.761204 1.683602 46
  5 0.731398 0.151899 3.219038 208   5 2.049619 1.594603 0.374399 27
  6 0.662399 0.672007 3.0625 211   6 0.117599 0.2475 1.847299 484
  7 2.633073 2.111118 4.599877 302   7 2.354628 1.126399 0.0872 296
  8 2.988215 2.209807 4.384405 227   8 0.0633 0.106799 2.201889 327
  9 0.1687 0.907805 1.949102 259   9 2.494819 1.747991 0.484003 334
  10 0.828799 1.035997 5.35862 308   10 5.653903 4.39401 3.932064 537
  11 4.210383 4.790509 4.017993 594   11 4.9 4.174795 3.100801 186
  12 0.978594 0.744801 2.620796 566   12 5.728825 3.060184 1.948792 314
1992 1 0.0245 0 4.23999 88 1997 1 2.762108 2.325318 2.501617 58
  2 2.022398 2.188291 1.028003 575   2 3.21 2.412407 3.812987 36
  3 4.171165 4.043994 1.268408 278   3 1.958398 3.191986 0.375698 158
  4 3.292933 2.851402 3.454509 523   4 3.15 3.311011 2.129585 328
  5 2.219611 2.558391 0.115001 480   5 3.590988 2.297101 3.03528 565
  6 1.402496 1.184395 1.190789 216   6 1.187988 1.349991 1.313194 86
  7 1.491003 1.685999 0.816008 301   7 3.176794 2.613199 4.297564 249
  8 3.502968 3.766931 1.011599 464   8 4.59198 3.928505 6.003021 45
  9 4.107632 3.890701 0.905596 241   9 4.803929 2.803184 3.89161 38
  10 4.679993 4.424289 0.937199 531   10 2.734794 0.300999 2.029431 7
  11 1.468787 0.350998 3.816006 309   11 1.879206 0.081 2.293196 122
  12 2.932808 1.831194 0.739204 417   12 0.35 0.252003 2.981965 456
1993 1 5.023192 4.425 2.965596 366 1998 1 1.411211 2.032007 3.681379 380
  2 5.778247 4.95 4.454414 197   2 1.185599 1.675611 0.7296 191
  3 3.124189 2.898695 2.536484 433   3 1.635215 2.459991 0.0729 312
  4 5.195938 4.833375 3.276013 416   4 0.1146 0.705002 0.275999 231
  5 1.837015 1.993591 1.276799 585   5 1.638029 0.95521 0.872199 250
  6 2.261987 1.32811 0.831995 230   6 1.278403 1.069197 1.42081 544
  7 2.76123 1.669788 1.125605 309   7 3.30053 1.695996 1.160997 427
  8 0.776108 0.889003 1.6 89   8 0.493501 0 2.446518 798
  9 0.0988 0.513001 4.293961 490   9 0.390597 0.812803 1.144814 801
  10 0.174299 0.972395 4.784038 481   10 4.129613 3.247986 1.821599 507
  11 6.839982 6.254997 1.879606 617   11 7.412417 6.596809 7.32914 499
  12 6.266208 4.92343 3.329198 473   12 7.192022 6.571181 7.761592 725
1994 1 5.829239 4.112012 2.645021 239 1999 1 8.947071 7.811796 5.95413 549
  2 3.805183 3.182401 3.470967 386   2 4.524014 3.945586 2.969609 443
  3 3.541971 2.516386 1.713901 232   3 4.445986 3.444031 3.926954 283
  4 4.02 3.837634 1.805602 180   4 4.445 3.654682 3.687396 185
  5 0.353998 0.0235 3.107964 110   5 0.567505 0.295001 1.183601 153
  6 0.993603 0.794998 2.659502 366   6 0.067799 0.167999 2.046778 247
  7 2.60302 2.713184 6.022723 171   7 1.260801 1.701887 3.680825 150
  8 4.547155 3.182397 4.584469 71   8 4.162371 2.908799 7.061056 156
  9 3.904434 2.312979 2.815233 85   9 5.508052 3.107986 7.42 426
  10 2.047481 0.265197 2.425476 9   10 1.62 1.945415 2.585007 752
  11 3.601025 4.787959 2.452223 478   11 5.781051 5.146514 3.575 235
  12 6.149034 5.036167 1.6 434   12 5.945837 4.250204 5.345552 393
1995 1 4.442206 3.798992 2.428888 412 2000 1 1.055008 1.680195 1.591218 255
  2 1.893604 1.77 1.355988 215   2 1.814392 1.493097 1.950396 74
  3 4.997952 5.080905 5.756748 200   3 1.127493 1.073101 0.687601 127
  4 2.61061 2.483108 1.376401 306   4 3.030343 1.78188 1.028519 273
  5 1.441998 1.155 1.336513 424   5 3.066827 2.758795 0.904504 211
  6 1.948827 1.390799 0.1337 456   6 4.163387 3.330002 0.664993 229
  7 0.926999 0.186901 1.094399 336   7 2.760798 2.251799 0.534996 209
  8 2.83217 2.33051 5.406458 492   8 1.373395 1.381801 2.59532 251
  9 0.382397 0.090601 4.908198 393   9 2.224797 0.968995 4.76559 428
  10 4.670567 4.827618 0.600006 445   10 3.382385 3.135627 1.382402 470
  11 7.218181 6.100855 5.285157 581   11 8.199182 7.31643 3.480011 826
  12 4.958972 3.182426 1.847985 482   12 6.472232 5.805564 3.601813 674
 Soal (Praktikum)
 Berikut adalah data :

(1)Data anomali suhu muka laut di Samudera Pasifik (Wilayah Nino

3,4) periode 1981-2010

(2) Data hujan bulanan Stasiun Darmaga Bogor dengan periode

yang sama.

a)Hitung r, R, Koefisien a, b, antara anomali suhu muka laut dengan

hujan bulanan secara keseluruhan ?

b)Selanjutnya, ingin diketahui diantara bulan Januari dan Agustus,

bulan mana yang paling baik hubungannya ?

c)Berapa anomali SST yang diperlukan untuk memperoleh curah

hujan >400 mm pada bulan Januari, dan >100 mm pada bulan
Agustus ?
39
 (1) Data Anomali Suhu Muka Laut di Samudera Pasifik (Nino 3,4)
Tahun Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
1981 -0.4 -0.6 -0.5 -0.4 -0.3 -0.3 -0.4 -0.4 -0.3 -0.2 -0.2 -0.1
1982 -0.1 0 0.1 0.3 0.5 0.7 0.7 1 1.5 1.9 2.1 2.2
1983 2.2 1.9 1.5 1.2 0.9 0.6 0.2 -0.2 -0.5 -0.8 -0.9 -0.8
1984 -0.5 -0.3 -0.3 -0.4 -0.5 -0.5 -0.3 -0.2 -0.3 -0.6 -0.9 -1.1
1985 -1 -0.9 -0.7 -0.7 -0.7 -0.6 -0.5 -0.5 -0.5 -0.4 -0.4 -0.4
1986 -0.5 -0.4 -0.2 -0.2 -0.1 0 0.3 0.5 0.7 0.9 1.1 1.2
1987 1.2 1.3 1.2 1.1 1 1.2 1.4 1.6 1.6 1.5 1.3 1.1
1988 0.8 0.5 0.1 -0.2 -0.8 -1.2 -1.3 -1.2 -1.3 -1.6 -1.9 -1.9
1989 -1.7 -1.5 -1.1 -0.8 -0.6 -0.4 -0.3 -0.3 -0.3 -0.3 -0.2 -0.1
1990 0.1 0.2 0.3 0.3 0.2 0.2 0.3 0.3 0.4 0.3 0.4 0.4
1991 0.3 0.2 0.2 0.3 0.5 0.7 0.8 0.7 0.7 0.8 1.2 1.4
1992 1.6 1.5 1.4 1.2 1 0.7 0.3 0 -0.2 -0.3 -0.2 0
1993 0.2 0.3 0.5 0.6 0.6 0.5 0.3 0.2 0.2 0.2 0.1 0.1
1994 0.1 0.1 0.2 0.3 0.4 0.4 0.4 0.4 0.5 0.7 1 1.2
1995 1 0.8 0.6 0.3 0.2 0 -0.2 -0.4 -0.7 -0.8 -0.9 -0.9
1996 -0.9 -0.8 -0.6 -0.4 -0.3 -0.2 -0.2 -0.3 -0.3 -0.3 -0.4 -0.5
1997 -0.5 -0.4 -0.1 0.2 0.7 1.2 1.5 1.8 2.1 2.3 2.4 2.3
1998 2.2 1.8 1.4 0.9 0.4 -0.2 -0.7 -1 -1.2 -1.3 -1.4 -1.5
1999 -1.5 -1.3 -1 -0.9 -0.9 -1 -1 -1.1 -1.1 -1.3 -1.5 -1.7
2000 -1.7 -1.5 -1.2 -0.9 -0.8 -0.7 -0.6 -0.5 -0.6 -0.6 -0.8 -0.8
2001 -0.7 -0.6 -0.5 -0.4 -0.2 -0.1 0 0 -0.1 -0.2 -0.3 -0.3
2002 -0.2 0 0.1 0.3 0.5 0.7 0.8 0.8 0.9 1.2 1.3 1.3
2003 1.1 0.8 0.4 0 -0.2 -0.1 0.2 0.4 0.4 0.4 0.4 0.3
2004 0.3 0.2 0.1 0.1 0.2 0.3 0.5 0.7 0.8 0.7 0.7 0.7
2005 0.6 0.4 0.3 0.3 0.3 0.3 0.2 0.1 0 -0.2 -0.5 -0.8
2006 -0.9 -0.7 -0.5 -0.3 0 0.1 0.2 0.3 0.5 0.8 1 1
2007 0.7 0.3 -0.1 -0.2 -0.3 -0.3 -0.4 -0.6 -0.8 -1.1 -1.2 -1.4
2008 -1.5 -1.5 -1.2 -0.9 -0.7 -0.5 -0.3 -0.2 -0.1 -0.2 -0.5 -0.7
2009 -0.8 -0.7 -0.5 -0.2 0.2 0.4 0.5 0.6 0.8 1.1 1.4 1.6
40
2010 1.6 1.3 1 0.6 0.1 -0.4 -0.9 -1.2 -1.4 -1.5 -1.5 -1.5
 (2) Data Curah Hujan Bulanan Stasiun Darmaga-Bogor

TAHUN JAN PEB MAR APR MEI JUN JUL AGS SEP OKT NOP DES
1981 476 240 421 335 263 383 551 194 366 246 157 436
1982 477 240 215 580 387 164 247 71 90 241 501 430
1983 328 241 256 296 224 140 263 93 178 654 300 253
1984 382 235 551 508 420 190 259 455 317 328 252 188
1985 375 355 237 337 321 156 514 285 298 241 279 273
1986 311 436 526 233 241 281 232 264 387 252 543 528
1987 303 282 404 290 490 218 235 103 50 413 436 231
1988 434 381 344 445 338 148 89 200 80 240 153 291
1989 468 507 283 153 557 336 149 233 255 367 315 444
1990 442 373 193 639 381 212 283 646 288 346 292 358
1991 389 330 574 312 117 125 7 123 215 154 469 439
1992 317 301 445 427 472 200 277 236 288 583 643 421
1993 462 366 519 385 323 330 121 431 232 353 390 375
1994 573 323 446 593 490 198 32 45 45 362 610 415
1995 516 313 383 245 318 470 264 10 338 451 709 213
1996 352 538 504 596 523 138 243 403 342 425 355 308
1997 391 109 230 404 457 51 24 34 136 231 422 357
1998 524 423 741 456 209 399 222 252 189 573 181 135
1999 311 271 98 397 326 231 252 207 123 421 381 234
2000 297 286 98 276 491 227 327 208 377 191 480 79
2001 383 352 276 364 335 340 366 142 445 307 445 70
2002 629 475 414 578 247 345 312 128 118 298 416 385
2003 212 556 471 309 501 180 25 91 270 552 326 398
2004 404 327 432 640 374 169 209 166 392 277 401 432
2005 537 580 568 308 429 682 215 163 320 351 423 252
2006 640 434 138 164 324 73 31 191 152 152 355 363
2007 373 438 276 473 198 274 134 248 206 236 444 476
2008 251 377 673 527 277 172 172 162 343 311 509 255
2009 361 305 261 260 571 338 131 33 157 416 407 258
412010 252 461 415 43 331 303 270 478 601 436 284 177
 Dosen Pengasuh :
NURYADI, S.Si, M.Si