ANALISIS KORELASI DAN

REGRESI LINEAR SEDERHANA

 PENTINGNYA ANALISIS
HUBUNGAN

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan

hubungan dengan orang lain. Hubungan itu pada umumnya
dilakukan dengan maksud tertentu seperti mendapat keringanan
pajak, memperoleh kredit, meminjam uang, serta minta
pertolongan/bantuan lainnya.
Seperti kita ketahui, pada semua kejadian, baik kejadian ekonomi
maupun lainnya, pasti ada faktor yang menyebabkan terjadinya
kejadian-kejadian tersebut (merosotnya hasil penjualan tekstil
mungkin disebabkan karena kalah bersaing dengan tekstil
impor, merosotnya produksi padi mungkin karena pupuknya
berkurang, dan lain sebagainya)
Uraian slide tadi menunjukkan adanya hubungan (korelasi) antara
kejadian yang satu dengan kejadian lainnya. Kejadian itu dapat
dinyatakan dengan perubahan nilai variabel.

Hubungan antara dua kejadian dapat dinyatakan dengan hubungan

dua variabel.

Di dalam bab ini kita hanya membahas hubungan linear antara dua
variabel X dan Y.

Apabila dua variabel X dan Y mempunyai hubungan, maka nilai

variabel X yang sudah diketahui dapat dipergunakan untuk
memperkirakan/menaksir Y. Peramalan pada dasarnya
merupakan perkiraan/taksiran mengenai terjadinya suatu
kejadian.
Variabel Y yang nilainya akan diramalkan disebut varibel tidak
bebas, sedangkan varibel X yang nilainya dipergunakan untuk
meramalkan nilai Y disebut variabel bebas atau variabel peramal
dan seringkali disebut variabel yang menerangkan. Jadi, jelas
analisis korelasi ini memungkinkan kita untuk mengetahui
sesuatu di luar hasil penyelidikan.

Salah satu cara untuk melakukan peramalan adalah dengan

menggunakan garis regresi.
 KOEFISIEN KORELASI DAN
KEGUNAANNYA
Hubungan dua variabel ada yang positif dan negatif. Hubungan X
dan Y dikatakan positif apabila kenaikan (penurunan) X pada
umumnya diikuti oleh kenaikan (penurunan) Y.

Sebaliknya dikatakan negatif kalau kenaikan (penurunan) X pada

umumnya diikuti oleh penurunan (kenaikan) Y.
Koefisien korelasi (x dan y) mempunyai hubungan positif

16

14

12

10

0
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Koefisien korelasi (x dan y) mempunyai hubungan negatif

16

14

12

10

0 1 2 3 4 5 6 7 8 9 10 11 12 13
Jadi, kalau variabel X dan Y ada hubungan, maka bentuk
diagram pencarnya adalah mulus/teratur.

Apabila bentuk diagram pencar tidak teratur, artinya

kenaikan/penurunan X pada umumnya tidak diikuti oleh
naik turunnya Y, maka dikatakan X dan Y tidak berkorelasi.
Koefisien korelasi (x dan y) tidak mempunyai hubungan atau
hubungan lemah sekali
Y Y

atau

0 X 0 X
Kuat dan tidaknya hubungan antara X dan Y apabila dapat dinyatakan dengan
fungsi linear(paling tidak mendekati), diukur dengan suatu nilai yang disebut
koefisien korelasi. Nilai koefisien korelasi ini paling sedikit –1 dan paling besar
+1.

Jadi jika r = koefisien korelasi, maka r dapat dinyatakan sebagai berikut :

-1 r  +1

Kuat (-) Kuat (+)

-1 +1

Lemah (-) Lemah (+)

Jika r =+1, hubungan X dan Y sempurna dan positif,

r = -1, hubungan X dan Y sempurna dan negatif,
r mendekati +1, hubungan sangat kuat dan positif,
r mendekati –1, hubungan sangat kuat dan negatif.
Disini X dikatakan mempengaruhi Y, jika berubahnya nilai X akan
menyebabkan perubahan nilai Y

Akan tetapi, naik turunnya Y adalah sedemikian rupa sehingga nilai

Y bervariasi, tidak semata-mata disebabkan oleh X, karena masih
ada faktor lain yang menyebabkannya. Jadi untuk mengetahui
berapa besar kontribusi dari X terhadap naik turunnya nilai Y
maka harus dihitung dengan koefisien penentuan (Koefisien
determinasi).
Kalau koefisien penentuan/determinasi ditulis KP, maka untuk
menghitung KP digunakan rumus berikut : KP = r2

 Cara menghitung r adalah sebagai berikut: 

n
 xi y i
r i 1
(1)
n 2 n 2
 xi  yi
i 1 i 1

x X X 
y  Y  Y 
dan xy  X  X Y  Y 
atau (2)

n n n
n X iYi   X i  Yi
r i 1 i 1 i 1
2 2
n
  n n
  n
n X    X i 
i
2
n Yi    Yi 
2

i 1  i 1  i 1  i 1 

Kedua rumus diatas disebut koefisien korelasi Pearson

Contoh 7.1

X 1 2 4 5 7 9 10 12
Y 2 4 5 7 8 10 12 14
Tabel 7.2

X Y X X Y Y x2 y2 xy
(x) (y)
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 i  50 Y
i  62 xi 0 y i 0 x
i
2
 107,5 yi
2
 117 ,5 x y
i i  111 ,5

X  6,25 Y  7,75
 8

x y i i
r i 1
8 8

x y
i 1
2
i
i 1
2
i

111 ,5
r  0,99
107,5 x 117 ,5

KP  r 2  0,99   0,9801 x 100%  98%

2
Tabel 7.3

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 i  50 Y
i  62  X i  420
2
 Yi  598
2
XY
i i  499
 8 8 8
n X iYi   X i  Yi
r i 1 i 1 i 1
2 2
8
  8 8
  8
n X    X i 
i
2
n Yi    Yi 
2

i 1  i 1  i 1  i 1 

8499  5062
r  0,99
8420  50 x 8598  62
2 2
Contoh 7.2

X 2 4 5 6 8 10 11 13 14 15
Y 15 14 12 10 9 8 6 4 3 2
Tabel 7.5

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 i  88 Y
i  83 X i
2
 956 Y
i
2
 875 XY
i i  548
 10 10 10
n X iYi   X i  Yi
r i 1 i 1 i 1
2 2
10
  10 10
  10
n X    X i 
i
2
n Yi    Yi 
2

i 1  i 1  i 1  i 1 

10548  8883
r  0,99
10956  88 x 10875  83
2 2
Tabel 7.6

Tahun Pengeluaran Pendapatan Produksi Domestik Pembentukan

Konsumen Rumah Nasional Per Kapita Bruto atas Moda Tetap
Tangga atas Atas Biaya Faktor Dasar Domestik Domestik Bruto
Harga yang Produksi yang Harga yang Atas dasar Harga
Berlaku Berlaku Berlaku Yang Berlaku
(Rp) (Rp) (Milyar Rp) (Milyar Rp)
(1) (2) (3) (4) (5)

1978 15.184,5 19.367,6 22.746,0 4.670,7

1979 19.513,7 27.146,8 32.025,4 6.704,3

1980 27.502,9 38.838,3 45.445,7 9.485,2

1981 35.560,0 46.838,1 54.027,0 11.553,4

1982 41.670,3 51.666,5 59.632,6 13.467,1

1983 44.739,3 65.513,5 73.698,6 18.973,8

1984 51.100,3 77.728,3 87.535,5 19.805,9

1985 54.600,3 84.694,4 96.066,4 19.613,5

 Pendapatan Pengeluaran
Nasional Per Kapita Konsumen Rumah
Atas Biaya Faktor Tangga atas
Produksi yang Harga yang
Berlaku Berlaku
(Rp) (Rp)
X Y X2 Y2 XY

(1) (2) (3) (4) (5)

19 15 361 225 285

27 20 719 400 540

39 28 1.521 784 1.092

47 36 2.209 1.296 1.692

52 42 2.704 1.764 2.184

66 45 4.356 2.025 2.970

78 51 6.084 2.601 3.978

85 55 7.225 3.025 4.675

X i  413 Y i  292 X i
2
 25.189 Y
i
2
 12.120 XY
i i  17.416
 8 8 8
n X iYi   X i  Yi
r i 1 i 1 i 1
2 2
8
  8 8
 8

8 X    X i 
i
2
i1 Yi   i1 Yi 
2

i 1  i 1 

817.416   413292
r  0,98
825.189  413 x 812.120   292
2 2
 KOEFISIEN KORELASI DATA
BERKELOMPOK
Rumus untuk menghitung koefisien korelasi yang sudah dibahas
sebelumnya adalah untuk data yang tidak berkelompok (data
yang belum disajikan dalam bentuk tabel frekuensi, dengan
menggunakan kelas-kelas atau kategori-kategori). Untuk data
yang berkelompok rumusnya adalah sebagai berikut :
 n uvf    uf u vf v 
r
 2  2  2
n  u f u    uf u  n  v f v    vf v 2
   
( 7.4 )
Rumus untuk menghitung koefisen korelasi bagi data
berkelompok penting sekali sebab dalam praktek, misalnya
di dalam suatu penelitian, hasil data yang diperoleh sudah
disajikan dalam bentuk data berkelompok dengan interval
kelas yang sama.
Tabel 7.9

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
 Tabel 7.10

Kelas Nilai Nilai u fu Kelas Nilai Nilai v fv

Matematika Tengah Statistika Tengah
(X) (X)
1 2 3 4 1 2 3 4
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 7.12

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 u 2 fu 28 15 0 23 80 90 236
X uvf 32 31 0 -1 24 39 125
 v uvf
2 4 4 2 44
f 1
5
4
10
6
8
5
1
1
0
31
0
1 4 9 5 2 -1 -3
3 6 6 2 -2 20
3 5 4 -3 33
-2 -1 0 1 2 3 125
u

 uvf  uf v 
 12   24   34 2 
 2  8  122 
 44
 v
2 4 4 2
f 1
5
4
10
6
8
5
1
1
0
1 4 9 5 2 -1
3 6 6 2 -2
3 5 4 -3
-2 -1 0 1 2 3
u

 uvf  122 224  324  011  114 

216  ................0 34
 125
Dari tabel korelasi di atas dapat di ikhtisarkan hasil sbb:

n  100  uf u  64  fu  236
u 2

 uvf  125  vf v  55  f v  253

v 2

n uvf   uf u vf v 

r
 2

n  u f u   uf u 
2
 
n  v f v   vf v 
2 2

100125  64  55

r  0,7686 ~ 0,77
  
100 236  64 2
  
100 253   55 2
 Prosedur pembuatan tabel korelasi (distribusi frekuensi
dua variabel) adalah sbb:

1. Menentukan jangkauan kedua variabel (var. X dan Y)

r = Data terbesar – Data terkecil
2. Menentukan banyaknya kelas kedua var. tsb.
k = 1 + 3,322 log n
3. Menentukan rpanjang interval kelas kedua var. tsb
i= k
4. Menentukan batas bawah kelas pertama dari kedua var. itu
Batas bawah kelas pertama diambil dari data terkecil atau
data terkecil hasil pelebaran jangkauan
5. Menempatkan kelas untuk var. X pada kolom tabel dan
kelas untuk var. Y pada baris tabel
X Y (ribu Rp) X Y (ribu Rp) X Y (ribu Rp)
49 878 66 1.403 61 1.073
94 1.690 88 1.605 86 1.858
56 1.318 58 842 65 1.612
30 818 49 768 47 726
61 867 87 2.048 85 1.509
64 978 82 1.388 47 680
39 1.045 39 672 60 1.088
67 763 51 915 45 1.106
70 1.194 26 440 96 1.454
38 874 83 1.958 57 815
71 923 50 819 60 1.263
42 850 49 1.219 57 1.295
60 738 48 890 37 957
55 1.087 65 699 42 904
31 758 51 808 72 1.219
35 799 52 746 39 424
17 753 48 753
 Penyelesaian:

1. Jangkauan variabel X = 96 – 17 = 79
Jangkauan variabel Y = 2.048 – 424 = 1.624
2. Jumlah kelas :
k = 1 + 3,322 log 50
= 1 + 3,322 (1,699)
= 1 + 5,6 = 6,6 = 7 (dibulatkan)
3. Interval kelas variabel X (persentase penduduk nonpetani)
79
i= =6,611,97 = 12
Interval kelas variabel Y
1.624
I= =6,246.06
6 = 250
4. Batas bawah kelas pertama untuk var. X = 15
5. Batas bawah kelas pertama untuk var. Y = 400
 PPNT (X) 15-26 27-38 39-50 51-62 63-74 75-86 87-98

PKT (Y)

400 – 649 1 1 2

650 – 899 1 4 9 6 2 22

900 – 1.149 1 3 4 2 10

1.150 – 1.399 1 3 2 1 7

1.400 – 1.649 2 1 2 5

1.650 – 1.899 1 1 2

1.900 – 2.149 1 1 2

Jumlah 2 6 13 13 8 4 4 50
 KORELASI RANK (PERINGKAT)
Koefisien korelasi rank adalah indeks angka-angka yang dipakai
untuk mengukur keeratan(erat atau tidaknya) korelasi antara
dua variabel yang didasarkan atas ranking (tingkatan). Koefisien
korelasi rank dirumuskan :

6 d i
2

rrank  1 

n n 12

Tabel 7.15

Merek Rank dari Rank dari

Rokok Joni Tono
(1) (2) (3) (4)
1 Kansas 9 8
2 Jarum 5 3
3 555 10 9
4 Bentoel 1 2
5 Mascot 8 7
6 Marlboro 7 10
7 Salem 3 4
8 Kent 4 6
9 Gudang Garam 2 1
10 Dunhill 6 5
Tabel 7.16

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 (d) -1 -2 -1 1 -1 3 1 2 -1 -1
d2 1 4 1 1 1 9 1 4 1 1

6 d i2
rrank  1 

n n2 1 
61  4  1  ...  1
 1  1  0,1455  0,85
10100  1
Tabel 7.17

Nama Nilai Rank Hasil Penjualan Rank Selisih

Ujian Tahun Pertama Rank
(ribuan rupiah)
X Y d d2
(1) (2) (3) (4) (5) (6) (7)
Amin 48 3 312 2 1 1
Joni 32 6 164 8 -2 4
Tono 40 5 280 4 1 1
Amir 34 7 196 7 0 0
Ahmad 30 8 200 6 2 4
Paulus 50 1,5 288 3 -1,5 2,25
Purwanto 26 9 146 10 -1 1
Bambang 50 1,5 361 1 0,5 0,25
Jatmiko 22 10 149 9 1 1
Aryo 43 4 252 5 -1 1
 Tabel 7.18

X Rank Y Rank d d2
(X) (Y)
(1) (2) (3) (4) (5) (6)

63 1 478 1 0 0
80 6 643 8 -2 4

78 5 620 6 -1 1

67 2 514 2 0 0

83 7 597 5 2 4
90 8 635 7 1 1

75 4 579 3 1 1

72 3 593 4 -1 1

Nilai yang paling rendah di beri rank 1 dan yang paling besar di beri rank 8
Perhitungan koefisien korelasi dengan menggunakan rumus
koefisien korelasi rank Spearman (7.5) jauh lebih sederhana
dibandingkan rumus product moment dari Pearson (7.2 dan
7.3), sebab dengan menggunakan rank angka-angkanya
menjadi lebih kecil, sedangkan hasil perhitungan adalah sama
atau sangat mendekati.
 KORELASI DATA KUALITATIF
Korelasi data kualitatif digunakan untuk data kualitatif yaitu data
yang tidak berbentuk angka-angka, tetapi berupa kategori-
kategori.

Untuk data kualitatif yang dipergunakan dalam mengukur

kuatnya hubungan disebut Contingency Coefficient (koefisien
bersyarat) yang mempunyai sama seperti koefisien korelasi.
Koefisien bersyarat (Cc), dipergunakan untuk mengukur kuatnya
hubungan data kualitatif yang mempunyai arti seperti koefisien
korelasi, dimana nilai Cc sebesar nol, yang berarti tidak ada
hubungan.
Akan tetapi, batas atas Cc tidak sebesar satu, tergantung atau
sebagai fungsi banyaknya kategori (baris atau kolom). Batas
tertinggi nilai Cc ialah r  1 / rnilai r ialah banyaknya
, dimana
baris atau kolom. Kalau banyaknya baris tidak sama dengan
banyaknya kolom, pilih nilai yang terkecil.
 Adapun untuk menghitung nilai koefisien
bersyarat (Cc) digunakan rumus :
χ2
Cc 
χ2  n

p q p q p q
n    f ij   ni.   n. j    nij
i 1 j 1 i 1 j 1 i 1 j 1

2
p q
   
f 
ij  e 
ij
2

i 1 j 1 eij
Tabel 7.19

1 2 … j … q
(1) (2) (3) (4) (5) (6) (7) (8)
1 f11 f12 f1j f1q n1.
(e11) (e12) (e1j) (e1q)
2 f21 f22 f2j f2q n2.
(e21) (e22) (e2j) (e2q)

i fi1 fi2 fij fiq ni.

(ei1) (ei2) (eij) (eiq)

p fp1 fp2 fpj fpq n p.

(ep1) (ep2) (epj) (epq)
n.1 n.2 n.j n.q n
 ni. n. j 
eij 
n

Kalau nilai perbandingan Cc dengan batas tertinggi < 0,5 maka

hubungan lemah,
terletak antara 0,5 dan 0,75 maka hubungan sedang/cukup,
antara 0,75 dan 0,90 maka hubungan kuat,
antara 0,90 dan 1 hubungan sangat kuat,
sama dengan 1 maka hubungan sempurna.
Tabel 7.20

Pendidikan Konsumsi
Kurang Cukup Sangat cukup
(1) (2) (3) (4)
Tidak tamat SLA 82 65 12
Tamat SLA 59 112 24
Pernah masuk 37 94 42
Perguruan Tinggi
Tabel 7.21

1 2 3 Jumlah

(1) (2) (3) (4) (5)

1 82 65 12 n1. = 159
(53,70) (81,76) (23,53)
2 59 112 24 n2. = 195
(65,86) (100,28) (28,86)
3 37 94 42 n3. = 173
(58,43) (88,96) (25,61)
Jumlah n.1 = 178 n.2 = 271 n.3 = 78 n = 527
 n1  n1 159 178
e11    53,70
n 527

 2  
3 3 f ij  eij 
2


 f11  e11   f12  e12   f13  e13 
2

2

2
 ... 
 f 33  e33 
2

i 1 j 1 eij e11 e12 e13 e33

 2

82  53,70 65  81,76 
2

2
 ... 
42  25,61
2

53,70 81,76 25,61

 2

28,30   16,76
2

2
 ... 
16,39 
2

53,70 81,76 25,61

 2  45,54
Batas atas 
r  1  3  1  0,82
r 3
Cc 


2
45,54
Perbanding an Cc dengan batas atas 
0,28  0,34
2 n 45,54  527 0,82
Cc  0,28 Karena 0,34  0,50 maka
hubungan dikatakan lemah
 TEKNIK RAMALAN DAN
ANALISIS REGRESI
Tujuan utama materi ini adalah bagaimana menghitung suatu
perkiraan atau persamaan regresi yang akan menjelaskan
hubungan antara dua variabel.
Diagram Pencar

Setelah ditetapkan bahwa terdapat hubungan logis di antara

variabel, maka untuk mendukung analisis lebih jauh,
barangkali tahap selanjutnya adalah menggunakan grafik.

Grafik ini disebut diagram pencar, yang menunjukkan titik-titik

tertentu. Setiap titik memperlihatkan suatu hasil yang kita nilai
sebagai varibel tak bebas maupun bebas.
Diagram pencar ini memiliki 2 manfaat, yaitu :
- membantu menunjukkan apakah terdapat hubungan yang
bermanfaat antara dua variabel,
- dan membantu menetapkan tipe persamaan yang
menunjukkan hubungan antara kedua variabel tersebut.
Tabel 7.24

Karyawan Hasil Produksi Skor Tes

(lusin) Kecerdasan
(Y) (X)
A 30 6

B 49 9

C 18 3

D 42 8

E 39 7

F 25 5

G 41 8

H 52 10
Karyawan Hasil Produksi Skor Tes
(lusin) Kecerdasan
Diagram Pencar
(Y) (X)
60
A 30 6
55
B 49 9
C 18 3 50

D 42 8 45

Hasil Produksi (lusin)

E 39 7
40
F 25 5
35
G 41 8
H 52 10 30

25

20

15

10

0
0 1 2 3 4 5 6 7 8 9 10 11
Hasil Tes Kecerdasan
Persamaan Regresi Linear

Regresi merupakan suatu alat ukur yang juga digunakan untuk

mengukur ada atau tidaknya korelasi antarvariabelnya.

Istilah regresi itu sendiri berarti ramalan atau taksiran.

Persamaan yang digunakan untuk mendapatkan garis regresi

pada data diagram pencar disebut persamaan regresi.
Untuk menempatkan garis regresi pada data yang diperoleh
maka digunakan metode kuadrat terkecil, sehingga bentuk
persamaan regresi adalah sebagai berikut:

Y’ = a + b X

Kesamaan di antara garis regresi dan garis trend tidak dapat

berakhir dengan persamaan garis lurus. Garis regresi (seperti
garis trend dan nilai tengah aritmatika) memiliki dua sifat
matematis berikut :
 (Y – Y’) = 0

dan (Y – Y’)2 = nilai terkecil atau terendah

Dengan perkataan lain, garis regresi akan ditempatkan pada

data dalam diagram sedemikian rupa sehingga
penyimpangan (perbedaan) positif titik-titik terhadap titik-
titik pencar di atas garis akan mengimbangi penyimpangan
negatif titik-titik pencar yang terletak di bawah garis,
sehingga hasil penyimpangan keseluruhan titik-titik terhadap
garis lurus adalah nol.
Untuk tujuan diatas, perhitungan analisis regresi dan analisis
korelasi dapat dipermudah dengan menggunakan rumus
dalam bentuk penyimpangan nilai tengah variabel X dan Y,
yaitu penyimpangan dari

X dan Y
Oleh karena itu, dapat digunakan simbol berikut ini :

 
x X X
y  Y  Y 
dan xy  X  X Y  Y 
Nilai dari a dan b pada persamaan regresi dapat dihitung dengan
rumus berikut :

b
 xy i i
( 7.7 )
x 2
i

n X iYi   X i  Yi
b ( 7.8 )
n X   X i 
2 2
i

a  Y bX ( 7.9 )
Tabel 7.25

Karyawan Hasil Produksi Skor Tes y x xy x2 y2

(lusin) (Y) (X) Y  Y  X  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
296 56 0 0 185 36 968

Y
 Y 296
  37 X
 X

56
7
N 8 N 8
  xy
Diagram Pencar
185
b   5,138 ~ 5,14 60

x 2
36 55

50
45

Hasil Produksi (lusin)

40

a  Y  b X  37  5,147   1,02 35

30

25

20

15

Y '  1,02  5,14 X

10

0
0 1 2 3 4 5 6 7 8 9 10 11

X  3  Y '  1,02  5,143  16,44

Hasil Tes Kecerdasan

X  5  Y '  1,02  5,145  26,72

X  6  Y '  1,02  5,146   31,86
X  10  Y '  1,02  5,1410  52,42
Tabel 7.26
X Y X2 Y2 XY X  X 
(x) x 2
Y(y) Y  xy
(1) (2) (3) (4) (5) (6) (7) (8) (9)

19 15 361 225 285 -32,62 1.064,06 -21,5 701,33

27 20 719 400 540 -24,62 606,14 -16,5 406,23

39 28 1.521 784 1.092 -12,62 159,26 -8,5 107,27

47 36 2.209 1.296 1.692 -4,62 21,34 -0,5 2,31

52 42 2.704 1.764 2.184 0,38 0,14 5,5 2,09

66 45 4.356 2.025 2.970 14,38 206,78 8,5 122,23

78 51 6.084 2.601 3.978 26,38 695,90 14,5 382,51

85 55 7.225 3.025 4.675 33,38 1.114,22 18,5 617,53

X i  413 Y
i  292 X i
2
 Yi
2
 X Y
i i  x i
2
 x y
i i 

X  51,62 Y  36,50 25.189 12.120 17.416 3.867,84 2.341,50

( 7.7 ) b
 xy i i

x 2
i

2.341,50
b  0,61
3.867,84

n X iYi   X i  Yi 817.416   413292

( 7.8 ) b    0,61
n X   X i  825.189   413
2 2 2
i

a  Y bX
( 7.9 )
a  36,50  0,6151,62   5,01

Jadi persamaan garis regresi Y’ = 5,01 + 0,61 X

Tahun X Y X2 XY
Ribuan milyar Milyar rupiah
rupiah
(1) (2) (3) (4) (5)

1979 32,025 5.301,6 1.025,6006 169.783,7400

1980 45,446 8.077,9 2.065,3389 367.108,2434

1981 54,027 11.720,9 2.918,9167 633.245,0643

1982 59,633 13.921,6 3.556,0947 830.186,7728

1983 73,698 14.358,3 5.431,3952 1.058.177,9934

1984 87,536 18.315,1 7.662,5513 1.603.230,5936

1985 96,066 19.383,5 9.228,6764 1.862.095,3110

Jumlah 448,431 91.078,9 31.888,5738 6.523.827,7160

 n X iYi   X i  Yi
b
n X   X i 
2 2
i

76.523.827,7160   448,43191.078,9
b  217,997
731.888,5738  448,431
2

a  Y bX
a  13.011,271  217,99764,062   954,053

Y '  a  bX
Y '  954,053  217,997 X
Penggunaan Persamaan Regresi
dalam Peramalan

Tujuan utama penggunaan persamaan regresi adalah untuk

memperkirakan nilai dari variabel tak bebas pada nilai
variabel bebas tertentu. Tentu saja, tidak mungkin untuk
mengatakan dengan tepat.

Y '  1,02  5,14 X

X  4  Y '  1,02  5,144   21,58