UJI KORELASI DAN REGRESI

LINEAR

Mata Kuliah: Biostatistik Inferensial Gizi

Nur Aini Kusmayanti, S.Gz., MPH

Universitas Ahmad Dahlan
2021
Uji Korelasi – 1. Pengantar
• Menunjukkan hubungan antara Suhu Cuaca (0F) Kebutuhan Air (ounces)
75 16
dua variable
83 20
• Korelasi Kausalitas 85 25
Untuk menyimpulkan kausalitas: 85 27
diperlukan manipulasi variabel 92 32
independen dan mengamati 97 48
pengaruhnya terhadap variabel
99 50
dependen
• Contoh Korelasi:
Semakin panas cuaca semakin
banyak konsumsi air
Uji Korelasi – 1. Pengantar
• Terlihat bahwa semakin tinggi
temperature semakin banyak
konsumsi air yang dibutuhkan

• Jika kita hanya melakukan uji

korelasi, kita tidak dapat
menyimpulkan bahwa
temperature menjadi penyebab
naiknya konsumsi air
Uji Korelasi – 2. Scatter Diagram
• Sebuah kotak koordinat

• Dua variabel numerik Y

• Satu variabel disebut variabel X dan * *
satu variabel disebut variable Y *
• Contoh: X
X berat badan

Y tekanan darah
Uji Korelasi – 2. Scatter Diagram

Pola pada data menunjukkan tipe hubungan antara dua

variabel:

• positive relationship (hubungan positif)

• negative relationship (hubungan negatif)

• no relationship (tidak ada hubungan)

Positive
Relationship
Negative Relationship

Reliability

Age of Car
No Relation
Uji Korelasi – 3. Simple Koefisien Korelasi
(r)
• Koefisien korelasi adalah angka statistik yang menunjukkan derajat hubungan
antara dua variabel

• Simple Koefisien Korelasi disebut juga Korelasi Pearson atau r atau juga
merupakan product moment correlation coefficient

• Ini menentukan jenis pola dan mengukur kekuatan hubungan antara dua
variabel numerik

• Tanda pada r menunjukan pola hubungan

• Nilai pada r menunjukan kekuatan hubungan

Uji Korelasi – 3. Simple Koefisien Korelasi
(r)
• Jika tanda r adalah +ve maka hubungan dua variabel adalah
langsung (peningkatan pada satu variabel akan meningkatkan
variabel lainnya dan penurunan pada satu variabel akan
menurunkan variabel lainnya)

• Jika tanda r adalah -ve maka hubungan dua variabel adalah

tidak langsung atau kebalikannya (peningkatan pada satu
variabel berhubungan dengan penurunan variabel yang
lainnya)
Uji Korelasi – 3. Simple Koefisien Korelasi
(r)
• Angka r berada diantara ( -1) dan ( +1)
• Angka r menunjukan kekuatan hubungan, seperti yang ditunjukan pada
diagram di bawah ini

strong intermediate weak weak intermediate strong

-1 -0.75 -0.25 0 0.25 0.75 1

Tidak Langsung Langsung
perfect perfect
correlation correlation
no relation
Uji Korelasi – 3. Simple Koefisien Korelasi
(r)
• Jika r = 0 artinya menunjukan tidak ada hubungan atau tidak ada korelasi
antara dua variabel

• Jika 0 < r < 0.25 = hubungan (korelasi) lemah

• Jika 0.25 ≤ r < 0.75 = hubungan (korelasi) sedang

• Jika 0.75 ≤ r < 1 = hubungan (korelasi) kuat

• Jika r = l = hubungan (korelasi) sempurna

Bagaimana menghitung r?

 xy   x y
r n

x 
2
(  x) 2
 
.  y 
2
(  y) 2


 n  n 
  
 Contoh Kasus 1
Berat (kg) Umur (tahun) ID

Tabel di samping menunjukan

12 7 1 berat badan dan umur pada 6
8 6 2 orang anak. Hitunglah angka r
untuk menentukan korelasi
12 8 3 antara berat badan dan umur!
10 5 4
11 6 5
13 9 6
 Weight (kg) (y) Umur (tahun) (x)
Y2 X2 xy ID
dependent independent

144 49 84 12 7 1

64 36 48 8 6 2

144 64 96 12 8 3

100 25 50 10 5 4

121 36 66 11 6 5

169 81 117 13 9 6

y2=742∑ x2=291∑ xy= 461∑ y=66∑ x=41∑ Total

 41  66
461 
r 6
 (41)2   (66) 2 
291  .742  
 6  6 

r = 0.759
strong direct correlation (kuat dan langsung)
 Contoh Kasus 2
Hubungan antara kecemasan dengan skor hasil tes psikologi
Anxiety Test score X2 Y2 XY
)X( (Y)

10 2 100 4 20

8 3 64 9 24

2 9 4 81 18

1 7 1 49 7

5 6 25 36 30

6 5 36 25 30

X = 32∑ Y = 32∑ X2 = 230∑ Y2 = 204∑ XY=129∑

 (6)(129)  (32)(32) 774  1024
r   .94
6(230)  32 6(204)  32 
2 2
(356)(200)

r = - 0.94
Indirect strong correlation (kuat tidak langsung)
Uji Korelasi – 4. Spearman Rank Correlation Coefficient (rs)

• Ini adalah ukuran yang ditujukan untuk melihat korelasi non-parametric

• Caranya dengan membuat dua kelompok rangking yang melambangkan
urutan data X dan Y
• Koefisien spearman rank correlation dapat digunakan pada kasus di bawah
ini:
• Dua variable adalah kuantitatif
• Dua variable adalah kategorik – ordinal
• Satu variable adalah kuantitatif dan satu variable adalah kategorik – ordinal
 Langkah-langkahnya
1. Berikan rangking pada X dari 1 sampai n – mengikuti urutan Y
2. Berikan rangking pada Y dari 1 sampai n
3. Kurangi rangking X dan Y (di) – lalu di kuadratkan (di 2)
4. Jumlahkan kuadrat dari selisih rangking tersebut
5. Hitung dengan formula di bawah ini
6 (di) 2
rs  1  2 Angka rs menunjukan jenis atau pola hubungan
n(n  1)
dan kekuatan hubungan (sama dengan r)
Contoh
Berikut ini adalah hasil penelitian antara level pendidikan dengan
penghasilan. Tentukan jenis atau pola dan kekuatan hubungan!

Income level education sample

(Y) (X) numbers
25 Preparatory. A
10 Primary. B
8 University. C
10 secondary D
15 secondary E
50 illiterate F
60 University. G
Jawaban
di2 di Rank Rank
Y X (Y) (X)
4 2 3 5 25 Preparatory A

0.25 0.5 5.5 6 10 Primary. B

30.25 -5.5 7 1.5 8 University. C
4 -2 5.5 3.5 10 secondary D
0.25 -0.5 4 3.5 15 secondary E
25 5 2 7 50 illiterate F
0.25 0.5 1 1.5 60 university. G

∑ di2=64
 6  64
rs  1   0.1
7(48)

Weak indirect correlation (lemah dan tidak langsung)

Uji Regresi
• Regresi: uji statistika yang berfokus pada memprediksi suatu
variable dengan mengetahui variable yang lainnya
• Proses memprediksi variable Y menggunakan variable X
• Memberitahu berapa angka Y sebagai hasil adanya perubahan
pada variable X
Linear Equations ŷ  a  bX
Y
Y = bX + a
Change
b = Slope in Y
Change in X
a = Y-intercept
X
Regresi yang menunjukkan hasil ujian dengan lama belajar


Linear Regression


90.00 Final grade in course = 59.95 + 3.17 * study
R-Square = 0.88




80.00  

70.00  

2.00 4.00 6.00 8.00 10.00

Number of hours spent studying

Memprediksi hasil ujian di kelas =

59.95 + 3.17*(lama jam belajar)
Memprediksi hasil ujian di kelas =
59.95 + 3.17*(lama jam belajar)

• Seseorang belajar selama 12 jam

• Hasil ujian = 59.95 + (3.17*12)
• Hasil ujian = 97.99

• Seseorang belajar selama 1 jam:

• Hasil ujian = 59.95 + (3.17*1)
• Hasil ujian = 63.12
Dengan menggunakan metode kuadrat terkecil
(prosedur yang meminimalkan deviasi vertikal dari titik-
titik yang diplot di sekitar garis lurus) kita dapat
membangun garis lurus yang paling cocok dengan titik-
titik diagram pencar dan kemudian merumuskan
persamaan regresi dalam bentuk:

ŷ  a  bX

 x y
 xy  n
ŷ  y  b(x  x) b1 
(  x) 2
 x 2

n
Latihan
Sebuah sampel dari 6 orang dipilih nilai usia mereka ( variabel x) dan
berat badan mereka ditunjukkan pada tabel berikut. Temukan
persamaan regresi dan berapa perkiraan berat badan saat usia 8,5
tahun.

Weight (y) Age (x) .Serial no

12 7 1
8 6 2
12 8 3
10 5 4
11 6 5
13 9 6
Jawaban

Y2 X2 xy Weight (y) Age (x) .Serial no

144 49 84 12 7 1
64 36 48 8 6 2
144 64 96 12 8 3
100 25 50 10 5 4
121 36 66 11 6 5
169 81 117 13 9 6

742 291 461 66 41 Total

 41  66
66 41 461 
y  11 x  6.83 6
6 6 b 2
 0.92
(41)
291 
Persamaan Regresi 6

ŷ (x)  11  0.9(x  6.83)

ŷ (x)  4.675  0.92x

Terimakasih