Contoh :
Merosotnya produksi padi mungkin karena pupuknya kurang
Naiknya tekanan darah mungkin karena peningkatan berat badan
Naiknya penjualan mungkin karena naiknya biaya advertensi
Naiknya harga bahan makanan mungkin karena naiknya harga minyak
Dll.
X
Hubungan positif
-1 ≤ r ≤ 1
X
Hubungan negatif
Koefisien korelasi = 1, hubungan X dan Y sempurna dan positf
(menyatakan hubungan yang pasti. Artinya variabel Y secara pasti dapat
diterangkan oleh variabel X. r mendekati 1, yaitu hubungan sangat kuat
dan positif)
Koefisien korelasi = -1, hubungan X dan Y sempurna dan negatif
(menyatakan hubungan yang pasti. Artinya variabel Y secara pasti dapat
diterangkan oleh variabel X . r mendekati -1, yaitu hubungan sangat kuat
dan negatif)
Koefisien korelasi = 0 menyatakan tidak ada kaitan antar variabel
Variabel X Variabel Y
X1 Y1
X2 Y2
. .
. .
Xn Yn
p atau r = (1)
n n
2 2 2 2
n∑X i
- (∑Xi) n∑Y i
- ( ∑ Y i)
I =1 I =1
n
∑xiyi
i=1
r = n n (2)
∑ xi2 ∑yi2
i =1 i=1
X Y X – X (x) Y – Y (y) x2 y2 xy
1 2 -5,25 -5,75 27.5625 33.0625 30.1875
2 4 -4,25 -3,75 18.0625 14.0625 15.9375
4 5 -2,25 -2,75 5.0625 7.5625 6.1875
5 7 -1,25 -0,75 1.5625 0.5625 0.9375
7 8 0,75 0,25 0.5625 0.0625 0.1875
9 10 2,75 2,25 7.5625 5.0625 6.1875
10 12 3,75 4,25 14.0625 18.0625 15.9375
12 14 5,75 6,25 33.0625 39.0625 35.9375
∑ x = 50 ∑Y = 62 ∑xi = 0 ∑yi = 0 107.5 117.5 111.5
X = 6,25 Y = 7,75
n
∑xyi
i=1
r = n n
2
∑x i
∑yi2
i =1 i=1
111,5
=
107,5 117,5
= 0,99
Hubungan antara X dan Y ternyata sangat kuat dan positif, artinya kenaikan
biaya iklan pada umumnya menaikkan hasil penjualan.
2
Dari nilai r, dicari KP = r = R (koefisien determinasi) = 0,9801 (=98%).
Artinya sumbangan biaya iklan terhadap variasi Y (naik turunnya hasil
penjualan) adalah 98 % sedangkan sisanya yang 2 % disebabkan oleh faktor
–faktor lainnya, seperti harga dan daya beli masyarakat.
Penyelesaian
X Y X2 Y2 XY
1 2 1 4 2
2 4 4 16 8
4 5 16 25 20
5 7 25 49 35
7 8 49 64 56
9 10 81 100 90
10 12 100 144 120
12 14 144 196 168
∑ X = 50 ∑Y = 62 ∑Xi2= 420
∑Y2 = 598 ∑XY = 499
X = 6,25 Y = 7,75
8 (499) – (50)(62)
r =
2
8(420) – (50) 8 (598)-(62)2
= 0,99
Contoh : 2
X Y X2 Y2 XY
2 15 4 225 30
4 14 16 196 56
5 12 25 144 60
6 10 36 100 60
8 9 64 81 72
10 8 100 64 80
11 6 121 36 66
13 4 169 16 52
14 3 196 9 42
15 2 225 4 30
∑ X = 88 ∑Y = 62 ∑X 2= 956
i ∑Y2 = 875 ∑XY = 548
10 (548) – (88 ) (83)
r =
2 2
10 (956) – (88) 10(875)-(83)
= -0,99
2
Kesimpulan : Hubungan X dan Y kuat dan negatif. KP = R = r = 98 %
Koefisen Korelasi untuk data yang disajikan dalam tabel distribusi frekuensi
dengan menggunakan kelas-kelas kategori.
n(∑uvf) – (∑ufu)(vfv)
R =
n(∑u2fu) –(ufu)2 - n (∑v2fv) – (∑vfv)2
Contoh : ada 100 orang mahasiswa Akademi Ilmu Statistik, Jakarta
mengikuti ujian statistik dan matematika. Ada suatu pendapat bahwa pada
umunya mahasiswa yang kemampuan matematikanya lemah akan
mengalami kesukaran dalam belajar statistik, yakni kalau nilai
matematikanya rendah, nilai statistiknya juga rendah dan kalau nilai
nmatematikanya tinggi statistiknya juga tinggi. Dengan perkataan lain, ada
hubungan positif antara niloai ujian matematika (X) dan nilai ujian statistik
(Y). Setelah ujian diperoleh hasil sebagai berikut :
Tabel A. Nilai Ujian Matematika dan Statistika
Matematika
Statistika Jumlah
40 - 69 50 - 59 60 - 69 70 - 79 80 - 89 90 - 99
(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
Kelas
nilai
Nilai
Tengah u f
u
Kelas
nilai
Nilai
tengah v fv
Matema (X) Statisti (Y)
tika ka
(1) (2) (3) (4) (1) (2) (3) (4)
40-49 44,5 -2 7 90-99 44,5 2 10
50-59 54,5 -1 15 80-89 54,5 1 16
60-69 64,5 0 25 70-79 64,5 0 24
70-79 74,5 1 23 60-69 74,5 -1 21
80-89 84,5 2 20 50-59 84,5 -2 17
90-99 94,5 3 10 40-49 94,5 -3 12
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 5 12
f u
7 15 25 23 20 10 100
Tabel Korelasi
(I) (II) (III) (IV) (V)
v fv vfv v2fv uvf
2 4 4 2 10 20 40 44
1 4 6 5 1 16 16 16 31
5 10 8 1 0 24 0 0 0
1 4 9 5 2 -1 21 -21 21 -3
3 6 6 2 -2 17 -34 68 20
3 5 4 -3 12 -36 108 33
(VI) u -2 -1 0 1 2 3 100 -55 253 125
(VII) fu 7 15 25 23 20 10 100
(VIII) ufu -14 -15 0 23 40 30 64
(IX) u2fu 28 15 0 23 80 90 236
(X) uvf 32 31 0 -1 24 39 125
uvf = (1)(2)(2)+(2)(4)(2)+(3)(4)(2) = 4 + 16 + 24 = 44
ufv = (-2)(3)(-3)+(-1)(5)(-3)+(0)(4)(5) = +18+15 +0 =33
Dari tabel korelasi di atas dapat dihasilkan sebagai berikut :
n(∑uvf) – (∑ufu)(vfv)
r =
n(∑u2fu) –(ufu)2 - n (∑v2fv) –
(∑vfv)2
Hubungan antara nilai matematikan dan statistika cukup kuat dan positif. Artinya, nilai
matematika yang diperoleh akan mempengaruhi nilai statistika. Pada umumnya
mahasiswa dengan nilai matamatika yang rendah akan memperoleh niloai ujian
statistika yang rendah dan sebaliknya jika nilai matematikanya tinggi, maka niloai
statistikanya akan tinggi juga.
Rank Tono 8 3 9 2 7 10 4 6 1 5
Rank Joni 9 5 10 1 8 7 3 4 2 6
Selisih Rank -1 -2 -1 1 -1 3 1 2 -1 -1
(d)
d2 1 4 1 1 1 9 1 4 1 1
6 (1 + 4 + 1 + 1 + ……..+ 1 + 1
r rank =1 -
10 (102 – 1)
= 1 – 0,1455 = 0,85
Korelasi data Kualitatif
χ2
Rumus Cc =
χ2 + n
p q q q p q
n = ∑ ∑fij = ∑ n = ∑n = ∑ ∑ n = jumlah
i. .j ij
i=1 j=1 i=1 j=1 i=1 j=1
observasi
p q
(fij – eij)2
Χ2 = ∑ ∑ eij
i=1 j=1
..
..
fp1 fp2 Fpj fpq
p np .
(ep1) (ep2) (epj) (epq)
q q
p q
∑ ∑ nij = n
i =1 j = 1
Contoh : Untuk mengetahui apakah ada hubungan antara tingkat pendidikan ibu
rumah tangga dengan konsumsi susu dari anggota keluarga mereka, dilakukaan
penelitian yang hasilnya disajikan pada tabel berikut :
Konsumsi
Pendidikan
Kurang Cukup Sangat cukup
(1) (2) (3) (4)
Tidak tamat SLA 82 65 12
Tamat SLA 59 112 24
Pernah masuk PT 37 94 42
χ2
Cc = √ χ +n2
= √ 45,54
45,54-527
= 0,28
Karena jumlah baris dan jumlah kolom sama dengan 3, maka r sama dengan 3.
Karena nilai perbandingan Cc dengan batas atas (0,28/0,82) lebih kecil dari 0,50,
maka hubungan atau korelasi antara tingkat pendidikan ibu rumah tangga dengan
tingkat konsumsi susu anggota rumah tangga tidak begitu besar, atau lemah
ANALISIS REGRESI
Analisis regresi menyatakan hubungan antara beberapa karakter
yang dinyatakan dalam bentuk variabel tak bebas (dependent
variable) sebagai fungsi dari variable bebas (independent variable)
yang mempengaruhinya.
Tujuan dari analisis regresi adalah untuk mengetahui hubungan
antara dua variabel atau lebih
Analisis regresi berbeda dengan analisis varians dalam hal tujuan dari
analisis tersebut.
Dalam analisis varians kita tidak mencari hubungan antara variabel-
variabel yang dipelajari, melainkan melainkan membandingkan efek dari
variabel-variabel tersebut.
• Hubungan Linier Antara Dua Variabel
• Analisis regresi disebut linier bila hubungan antara
variabel tak bebas Y dan variabel bebas X bersifat
linier, artinya bila perubahan dari Y selalu konstan per
unit perubahan dari X.
• Apabila dua variable X dan Y mempunyai hubungan
(korelasi) maka perubahan nilai variabel yang satu
akan mempengaruhi nilai variabel lainnya.
• Hubungan variabel dapat dinyatakan dalam bentuk
fungsi Y = f (X) contoh : Y = 2 + 1,5 X.
• Apabila bentuk fungsinya sudah diketahui, maka
dengan mengetahui nilai dari satu variabel (= X), nilai
variabel lainnya ( = Y ) dapat diprakirakan atau
diramalkan.
• Data hasil ramalan dapat menggambarkan
kemampuan untuk waktu yang akan datang, sangat
berguna untuk perencanaan. Misalnya ramalan
produksi padi dan jumlah penduduk untuk keperluan
impor beras.
• Dalam persamaan Y = 2 + 1,5 X,
• Y = variabel tidak bebas, sebab nilainya tergantung
pada nilai X.
• Kalau X = 10, Y = 2 + 1,5 (10) = 17 dan kalau X = 20, Y
= 2 + 1,5 (20) = 32.
• Untuk membuat ramalan Y dengan menggunakan
nilai X, X dan Y harus mempunyai hubungan yang
kuat. Kuat tidaknya hubungan X dan Y diukur
dengan suatu nilai yang disebut koefisien korelasi,
sedangkan besarnya pengaruh X terhadap Y diukur
dengan koefisien regresi.
• Asumsi fungsi linier mempunyai bentuk persamaan
Y = βo + β1 X
• βo dan β1 adalah konstanta atau parameter, yang
nilainya harus diestimasi.
• βo = jarak titik asal O dengan perpotongan antara
sumbu tegak Y dan garis fungsi linier atau besarnya
nilai Y kalau X = 0; disebut koefisien intersep.
• β1 = koefisien arah = koefisien regresi = besarnya
pengaruh X terhadap Y, kalau X = 1 unit. Disebut
koefisien slope.
• Pers. Y = βo + β1 X bisa ditulis Y = A + BX atau Y =
B1 + B2 X2
• Untuk Persamaan Y = 2 + 1,5 X, βo = 2, β1 = 1,5;
artinya kalau X = 0, Y = 2, kalau X bertambah 1 unit,
Y bertambah 1,5 unit.
• Secara teoritis jika X = 10 maka Y = 2 + 1,5 (10) = 17;
dalam kenyataannya tidaklah demikian karena yang
mempengaruhi Y tidak hanya X tetapi ada faktor lain
yaitu kesalahan pengganggu atau error sehingga
bentuk persamaannya menjadi Y = βo + β1X + ε