Program Studi Bisnis Digital • FEB UNDIP

Statistika Bisnis

Pertemuan 8 — Analisis Korelasi: Hubungan Dua Variabel

Belajar mengukur arah dan kekuatan hubungan antara dua variabel bisnis — dari diagram pencar sampai koefisien korelasi Pearson — sebagai fondasi sebelum masuk ke regresi minggu depan.

RPS MINGGU 9 • 2 × 50 MENIT

Selamat pagi, Anda semua. Selamat kembali setelah UTS — mulai hari ini kita masuk ke bagian statistika inferensial yang paling sering dipakai di dunia bisnis nyata, yaitu analisis hubungan antar-variabel. Sebelumnya Anda sudah belajar bagaimana menguji satu variabel sendirian, misalnya menguji apakah rata-rata penjualan sebuah toko sesuai target. Hari ini pertanyaannya berbeda: apakah dua hal saling berhubungan? Misalnya, apakah biaya iklan yang dikeluarkan sebuah UMKM online benar-benar berhubungan dengan jumlah penjualannya, atau apakah pergerakan harga saham BBCA di Bursa Efek Indonesia mengikuti pergerakan IHSG. Analisis korelasi adalah alat pertama yang kita pakai untuk menjawab pertanyaan semacam itu, dan menjadi pondasi langsung sebelum kita belajar regresi minggu depan. Siapkan kalkulator Anda, karena hari ini kita akan menghitung sendiri, bukan hanya menghafal rumus.

Tujuan Pembelajaran Hari Ini

Pertemuan ini adalah jembatan dari estimasi & pengujian hipotesis univariat (Pertemuan 7) menuju regresi (Pertemuan 9–10). Setelah pertemuan ini, Anda diharapkan mampu:

Konsep & Perhitungan

Menjelaskan makna arah dan kekuatan hubungan dua variabel
Membaca diagram pencar (scatterplot) secara visual
Menghitung koefisien korelasi Pearson (r) secara manual

Interpretasi & Aplikasi

Menguji signifikansi r dan menghitung koefisien determinasi (r²)
Membedakan korelasi dari kausalitas — termasuk mengenali korelasi semu
Menerapkan analisis korelasi pada kasus bisnis nyata Indonesia

Bagian 1

Konsep & Pengukuran Korelasi

Dari diagram pencar sampai koefisien korelasi Pearson — membaca arah dan kekuatan hubungan dua variabel.

Apa Itu Korelasi?

Korelasi mengukur derajat dan arah hubungan linear antara dua variabel kuantitatif — bukan sebab-akibat, hanya kecenderungan bergerak bersama.

Dua Unsur

Setiap hubungan punya arah (positif/negatif) dan kekuatan (lemah sampai sangat kuat) — dua dimensi terpisah.

Contoh Bisnis

Biaya iklan digital & jumlah penjualan; harga saham BBCA & pergerakan IHSG; jam operasional toko & omzet harian.

Bukan Kausalitas

Korelasi kuat tidak otomatis berarti satu variabel menyebabkan yang lain berubah — kita bahas ini di Slide 14.

Diagram Pencar (Scatterplot): Alat Baca Pertama

Scatterplot (diagram pencar) memplot tiap pasangan data (x,y) sebagai satu titik — pola sebaran titik langsung menunjukkan arah hubungan sebelum kita hitung angka apa pun.

Titik-titik yang mengikuti garis lurus rapat = korelasi kuat; titik-titik yang tersebar acak tanpa pola = korelasi lemah atau tidak ada.

Diagram pencar ini alat visual pertama yang selalu Anda buat sebelum menghitung angka apa pun — jangan pernah loncat langsung ke rumus tanpa melihat sebaran datanya dulu. Panel kiri menunjukkan korelasi positif: ketika biaya iklan naik, penjualan juga cenderung naik, titik-titiknya membentuk pola naik dari kiri bawah ke kanan atas. Panel tengah menunjukkan korelasi negatif, misalnya semakin tinggi harga suatu produk UMKM, semakin rendah jumlah unit yang terjual — polanya turun dari kiri atas ke kanan bawah. Panel kanan menunjukkan tidak ada pola sama sekali, titik-titiknya tersebar acak, misalnya antara warna kemasan produk dan rating ulasan pelanggan di marketplace. Kebiasaan membuat scatterplot dulu ini akan menyelamatkan Anda dari kesalahan menghitung korelasi pada data yang sebenarnya berpola melengkung, bukan lurus.

Dua Dimensi Terpisah: Arah dan Kekuatan

Koefisien korelasi (r) berkisar dari −1 sampai +1. Tanda menunjukkan arah, angka mutlaknya menunjukkan kekuatan — dua hal yang harus dibaca terpisah.

Arah (Tanda)

Positif (+): keduanya bergerak searah
Negatif (−): keduanya berlawanan arah

Kekuatan (Nilai Mutlak)

Mendekati 1: hubungan sangat kuat & konsisten
Mendekati 0: hubungan lemah atau tak ada

Koefisien Korelasi Pearson (r)

Rumus yang paling umum dipakai untuk data kuantitatif berskala interval/rasio dengan hubungan yang diduga linear.

r = [n∑xy − ∑x∑y] / √{[n∑x² − (∑x)²][n∑y² − (∑y)²]}

Komponen Rumus

n = jumlah pasangan data (observasi)
∑xy = jumlah hasil kali tiap pasang x dan y
∑x², ∑y² = jumlah kuadrat tiap variabel

Asumsi Dasar

Kedua variabel berskala interval/rasio
Hubungan yang diuji bersifat linear
Bebas dari pengaruh outlier (nilai pencilan) ekstrem

Rumus ini terlihat rumit di atas kertas, tapi sebenarnya hanya penjumlahan dan perkalian sederhana yang bisa Anda hitung dengan kalkulator biasa — kita akan praktikkan langkah demi langkah di Slide 9. Yang penting Anda pahami dulu adalah tiga asumsi dasarnya: pertama, kedua variabel harus berskala interval atau rasio, jadi bukan data kategorikal seperti jenis kelamin atau kota asal. Kedua, hubungan yang kita duga harus bersifat linear, karena rumus Pearson tidak akan menangkap pola melengkung dengan baik — ini alasan kenapa kita selalu bikin scatterplot dulu di Slide 5. Ketiga, kita perlu waspada terhadap outlier, yaitu nilai pencilan yang jauh menyimpang dari pola umum data, karena satu titik ekstrem saja bisa menarik nilai r secara signifikan. Sekarang mari kita lihat bagaimana membaca angka r yang sudah kita hitung.

Coba Sendiri: Bandingkan Korelasi Pearson dan Spearman

Geser atau tambahkan titik data (termasuk outlier), lalu amati bagaimana nilai r Pearson dan Spearman bisa berbeda jauh.

Skala Interpretasi Kekuatan |r|

Rentang berikut adalah pedoman umum (bukan aturan mutlak) untuk membaca kekuatan hubungan berdasarkan nilai mutlak koefisien korelasi.

Rentang \|r\|	Kekuatan Hubungan	Contoh Kasus
0,00 – 0,19	Sangat lemah / dapat diabaikan	Warna logo & jumlah pengunjung toko
0,20 – 0,39	Lemah	Jumlah karyawan & rating layanan
0,40 – 0,59	Sedang	Lama promosi & jumlah follower baru
0,60 – 0,79	Kuat	Biaya iklan & jumlah penjualan (kasus kita)
0,80 – 1,00	Sangat kuat	Harga saham BBCA & pergerakan indeks IHSG

Hitung dari Nol #1: Koefisien Korelasi Pearson

Data 5 bulan sebuah toko online UMKM: Biaya Iklan (x, juta Rp) = 2, 4, 6, 8, 10 — Penjualan (y, unit) = 18, 30, 28, 50, 44.

Langkah	Perhitungan	Nilai
∑x — total biaya iklan	2+4+6+8+10	30
∑y — total penjualan	18+30+28+50+44	170
∑xy — jumlah hasil kali tiap pasangan	(2×18)+(4×30)+(6×28)+(8×50)+(10×44)	1.164
∑x² — jumlah kuadrat x	2²+4²+6²+8²+10²	220
∑y² — jumlah kuadrat y	18²+30²+28²+50²+44²	6.444

r (n=5)

0,884

[5(1.164) − (30)(170)] / √{[5(220)−30²][5(6.444)−170²]}

Mari kita hitung bersama, langkah demi langkah, persis seperti yang akan Anda kerjakan di kertas ujian atau di Excel. Kita mulai dengan menjumlahkan seluruh nilai x, yaitu biaya iklan, dan seluruh nilai y, yaitu penjualan, lalu menghitung jumlah hasil kali tiap pasangannya. Setelah itu kita hitung jumlah kuadrat masing-masing variabel. Setelah kelima komponen ini terkumpul, kita masukkan ke rumus Pearson yang sudah kita pelajari di Slide 7, dan hasilnya adalah r sama dengan nol koma delapan delapan empat. Merujuk ke skala interpretasi di Slide 8, angka ini masuk kategori kuat, artinya biaya iklan dan penjualan toko UMKM ini benar-benar bergerak bersama secara konsisten. Tapi pertanyaan berikutnya adalah, apakah angka ini cukup meyakinkan secara statistik, atau bisa jadi kebetulan dari sampel kecil kita? Itu yang akan kita uji di Bagian 2.

Bagian 2

Signifikansi, Determinasi & Jebakan Korelasi

Menguji apakah r kita bermakna secara statistik, lalu menghindari kesalahan tafsir paling umum.

Menguji Signifikansi Korelasi

r dari sampel belum tentu berlaku untuk populasi. Kita uji hipotesis: H₀: ρ = 0 (tidak ada korelasi di populasi) lawan H₁: ρ ≠ 0.

t = r √(n−2) / √(1−r²) dengan df = n−2

Logika Uji

Hitung t-hitung dari r dan n sampel
Bandingkan dengan t-tabel pada α dan df tertentu
|t-hitung| > t-tabel → H₀ ditolak, r signifikan

Kenapa Perlu Diuji?

Sampel kecil bisa menghasilkan r besar secara kebetulan
Uji ini memberi dasar untuk klaim ke populasi
Sama logikanya dengan uji-t Pertemuan 7, kini diterapkan ke r

Angka r nol koma delapan delapan empat yang kita hitung tadi terlihat besar, tapi ingat itu hanya dari lima bulan data — sampel yang sangat kecil bisa saja menghasilkan korelasi besar murni karena kebetulan. Karena itu kita perlu uji formal, dengan hipotesis nol menyatakan tidak ada korelasi sama sekali di populasi, dan hipotesis alternatif menyatakan ada korelasi. Logikanya sama persis dengan uji hipotesis univariat yang Anda pelajari di Pertemuan 7 sebelum UTS, hanya sekarang statistik ujinya dihitung dari r, bukan dari rata-rata sampel. Kalau t-hitung yang kita peroleh melebihi t-tabel pada taraf signifikansi dan derajat bebas tertentu, kita punya cukup bukti untuk menolak hipotesis nol dan menyatakan korelasinya signifikan secara statistik. Mari kita hitung t-hitungnya langsung dari kasus toko UMKM kita.

Hitung dari Nol #2: Uji Signifikansi r

Melanjutkan kasus Slide 9: r = 0,884, n = 5. Kita uji pada α = 0,05 dua sisi.

Langkah	Perhitungan	Nilai
r² — kuadrat koefisien korelasi	0,884²	0,781
1 − r²	1 − 0,781	0,219
df — derajat bebas	n − 2 = 5 − 2	3
t-hitung	0,884 × √3 / √0,219	3,27
t-tabel (df=3, α=0,05 dua sisi)	dari tabel distribusi t	3,182

Kesimpulan

3,27 > 3,182

H₀ ditolak — korelasi signifikan pada α=0,05

Kita lanjutkan dari r sama dengan nol koma delapan delapan empat tadi. Pertama kita kuadratkan r untuk mendapat nol koma tujuh delapan satu, lalu hitung satu dikurangi angka itu. Derajat bebasnya adalah jumlah sampel dikurangi dua, karena kita punya dua variabel, sehingga df sama dengan tiga. Masukkan semua ke rumus t-hitung, hasilnya tiga koma dua tujuh. Bandingkan dengan t-tabel pada derajat bebas tiga dan taraf signifikansi lima persen dua sisi, yaitu tiga koma satu delapan dua. Karena t-hitung kita lebih besar dari t-tabel, kita menolak hipotesis nol dan menyimpulkan korelasi antara biaya iklan dan penjualan ini signifikan secara statistik, bukan kebetulan sampel. Perlu jujur diakui, dengan sampel sekecil lima observasi, hasil ini sebenarnya rentan — di praktik nyata Anda idealnya butuh puluhan observasi bulanan sebelum berani mengambil keputusan bisnis besar dari angka ini.

Koefisien Determinasi (r²)

r² menunjukkan proporsi variasi satu variabel yang bisa dijelaskan oleh variasi variabel lainnya — selalu bernilai 0 sampai 1 (atau 0% sampai 100%).

Dari Kasus Kita

78,1%

r² = 0,781 — dari perhitungan Slide 12

78,1% variasi penjualan toko UMKM ini bisa dijelaskan oleh variasi biaya iklan; sisanya 21,9% dijelaskan faktor lain (musim, harga pesaing, cuaca, dsb).

Kenapa Penting?

r besar tapi r² kecil → kekuatan penjelas sebenarnya rendah
r = 0,5 hanya berarti r² = 25% variasi terjelaskan
Jadi dasar utama goodness of fit di regresi minggu depan

r kuadrat ini sering disalahpahami, jadi mari kita luruskan. Kalau r sama dengan nol koma delapan delapan empat, jangan langsung mengira bahwa delapan puluh delapan persen variasi penjualan dijelaskan oleh biaya iklan — yang benar adalah kita kuadratkan dulu r-nya, menjadi nol koma tujuh delapan satu, atau tujuh puluh delapan koma satu persen. Ini artinya sisanya, dua puluh satu koma sembilan persen variasi penjualan, dijelaskan oleh faktor lain di luar biaya iklan, misalnya musim liburan, harga kompetitor, atau bahkan cuaca yang memengaruhi kebiasaan belanja online. Kesalahan umum mahasiswa adalah menganggap r sama dengan nol koma lima itu "separuh menjelaskan" — padahal r kuadratnya hanya dua puluh lima persen, jauh lebih kecil dari kesan awal. Konsep r kuadrat ini akan sangat sering Anda pakai lagi di regresi sederhana Pertemuan 9, jadi pastikan Anda benar-benar paham bedanya dengan r.

Jebakan #1: Korelasi ≠ Kausalitas

Korelasi tinggi hanya menunjukkan pola bergerak bersama — bukan bukti bahwa satu variabel menyebabkan perubahan pada variabel lain.

Langkah	Contoh Kasus	Kesimpulan
1. Amati korelasi tinggi	Penjualan payung & jumlah kecelakaan motor di Jakarta sama-sama naik bulan tertentu	r positif kuat
2. Godaan simpulan salah	"Payung menyebabkan kecelakaan motor"?	Tidak masuk akal secara logika bisnis
3. Cari variabel ketiga	Musim hujan mendorong pembelian payung dan membuat jalan licin	Variabel pengganggu (confounding variable) ditemukan
4. Simpulan yang benar	Musim hujan adalah penyebab bersama — bukan payung yang menyebabkan kecelakaan	Korelasi valid, kausalitas keliru

Ini jebakan paling klasik dalam statistika bisnis, dan sayangnya masih sering terjadi di dunia nyata, termasuk dalam laporan riset pasar yang kurang hati-hati. Contoh yang saya bawakan ini sengaja ekstrem supaya mudah diingat: penjualan payung dan jumlah kecelakaan motor di Jakarta memang berkorelasi positif kuat pada bulan-bulan tertentu. Tapi tentu saja tidak masuk akal kalau kita simpulkan membeli payung menyebabkan orang celaka naik motor. Yang sebenarnya terjadi adalah ada variabel ketiga di belakang layar, yang kita sebut variabel pengganggu atau confounding variable dalam Bahasa Inggris, yaitu musim hujan. Musim hujan membuat orang membeli lebih banyak payung, dan pada saat bersamaan membuat jalanan licin sehingga kecelakaan motor naik. Keduanya didorong oleh sebab yang sama, bukan saling menyebabkan. Setiap kali Anda menemukan korelasi tinggi dalam data bisnis, latih diri Anda untuk selalu bertanya, adakah variabel ketiga yang mungkin menjelaskan keduanya sekaligus?

Jebakan #2: Korelasi Semu (Spurious Correlation)

Spurious correlation (korelasi semu) adalah korelasi statistik yang kuat tapi tidak punya hubungan bermakna sama sekali — sering muncul karena tren waktu yang kebetulan sejalan.

Langkah	Contoh Kasus	Kesimpulan
1. Data time-series naik bersama	Jumlah pengguna dompet digital di Indonesia & harga emas dunia sama-sama naik 2018–2023	r positif tinggi secara matematis
2. Uji akal sehat bisnis	Tidak ada mekanisme ekonomi yang menghubungkan adopsi dompet digital dengan harga emas dunia	Hubungan tidak masuk akal secara teori
3. Identifikasi penyebab sebenarnya	Keduanya sekadar sama-sama bertumbuh seiring waktu — tren global, bukan hubungan langsung	Korelasi semu (kebetulan tren)

Aturan praktis: sebelum mempercayai korelasi tinggi, selalu tanyakan — apakah ada teori bisnis atau ekonomi yang masuk akal di balik hubungan ini?

Korelasi semu berbeda sedikit dari kasus payung tadi — di sini seringkali tidak ada variabel pengganggu yang jelas, hanya kebetulan bahwa dua deret data yang sama-sama bertumbuh seiring waktu akan otomatis menghasilkan korelasi tinggi secara matematis. Contohnya, jumlah pengguna dompet digital di Indonesia terus naik dari tahun ke tahun, dan kebetulan harga emas dunia juga cenderung naik pada periode yang sama — kalau dihitung, r-nya bisa saja tinggi, tapi jelas tidak ada hubungan sebab-akibat atau bahkan variabel pengganggu yang masuk akal di antara keduanya. Ini kenapa dalam praktik analisis bisnis, langkah pertama sebelum mempercayai sebuah korelasi bukan menghitung angkanya, tapi bertanya apakah secara teori ekonomi atau bisnis hubungan ini masuk akal. Kalau Anda kesulitan menjelaskan mekanismenya dalam satu dua kalimat yang logis, curigai korelasi itu sebagai kebetulan statistik, bukan temuan bermakna.

Latihan: Hitung & Interpretasikan Korelasi Anda Sendiri

Kerjakan berpasangan (2 orang), waktu 15 menit, kumpulkan lewat LMS sebelum kelas berakhir.

Data yang Diberikan

6 bulan data: jumlah konten promosi Instagram (x) & jumlah pesanan toko (y)
Dataset lengkap ada di lampiran LMS minggu ini

Instruksi

Hitung r secara manual (tunjukkan seluruh langkah ∑x, ∑y, ∑xy, ∑x², ∑y²)
Uji signifikansi r pada α=0,05
Tulis 1 paragraf: apakah korelasi ini masuk akal secara teori bisnis, atau berisiko semu?

Sekarang giliran Anda praktik langsung, karena cara terbaik memahami rumus korelasi adalah dengan menghitungnya sendiri, bukan hanya melihat saya menghitung di depan kelas. Silakan berpasangan dengan teman sebelah, ambil dataset di LMS yang berisi enam bulan data jumlah konten promosi di Instagram dan jumlah pesanan sebuah toko online. Tunjukkan seluruh langkah perhitungan seperti yang kita lakukan di Slide 9, jangan langsung lompat ke hasil akhir, karena saya ingin melihat proses berpikir Anda. Setelah dapat r-nya, uji signifikansinya seperti di Slide 12, lalu yang paling penting, tuliskan satu paragraf reflektif: apakah korelasi yang Anda temukan ini masuk akal secara bisnis, atau justru berisiko menjadi korelasi semu seperti yang kita bahas di Slide 15. Saya akan berkeliling membantu kalau ada yang kesulitan, dan kita bahas beberapa jawaban menarik di akhir sesi.

Bagian 3

Aplikasi Korelasi dalam Bisnis

Dari analisis pasar modal sampai kesalahan umum yang wajib Anda hindari saat membaca korelasi.

Studi Kasus: Korelasi di Pasar Modal & E-commerce

Analis dan manajer bisnis di Indonesia memakai korelasi setiap hari untuk membaca risiko dan pola pasar — berikut dua contoh nyata.

Analisis Saham BEI

Harga saham BBCA berkorelasi sangat kuat (r ≈ 0,9) dengan pergerakan IHSG karena bobotnya besar di indeks
Analis memakai korelasi antar-saham untuk membangun portofolio terdiversifikasi — pilih saham berkorelasi rendah agar risiko tidak menumpuk

Marketplace & UMKM Digital

Tokopedia/Shopee memantau korelasi antara skor ulasan toko dan tingkat konversi pembelian
UMKM memakai korelasi biaya iklan & penjualan (kasus kita) untuk menentukan alokasi anggaran marketing bulan depan

Mari kita lihat bagaimana konsep yang baru saja kita pelajari benar-benar dipakai oleh praktisi. Di pasar modal, analis di sekuritas menghitung korelasi antara harga saham individual dan indeks acuan seperti IHSG untuk memahami seberapa besar saham tersebut bergerak mengikuti pasar secara keseluruhan — BBCA misalnya punya korelasi sangat kuat dengan IHSG karena kapitalisasi pasarnya besar. Menariknya, dalam membangun portofolio investasi, tujuannya justru sebaliknya: mencari saham-saham yang berkorelasi rendah satu sama lain, supaya kalau satu saham turun, yang lain belum tentu ikut turun, sehingga risiko keseluruhan portofolio lebih terkendali. Di dunia e-commerce, platform seperti Tokopedia memantau korelasi antara skor ulasan toko dan tingkat konversi pembelian untuk memutuskan algoritma perangkingan produk. Dan seperti kasus UMKM yang kita hitung sepanjang pertemuan ini, pemilik usaha kecil memakai korelasi biaya iklan dan penjualan sebagai dasar mengalokasikan anggaran marketing bulan berikutnya, meskipun tetap harus hati-hati terhadap jebakan kausalitas yang sudah kita bahas.

Kesalahan Umum saat Membaca Korelasi

Empat kesalahan yang paling sering ditemukan dalam laporan riset pasar dan tugas mahasiswa — hindari ini di latihan Anda maupun UAS nanti.

Kesalahan	Contoh	Cara Menghindari
1. Langsung simpulkan kausalitas	"r tinggi berarti X pasti menyebabkan Y"	Selalu cek teori bisnis & variabel pengganggu (Slide 14)
2. Lupa cek scatterplot	Menghitung r pada data yang sebenarnya berpola melengkung, bukan lurus	Plot dulu (Slide 5) sebelum hitung angka
3. Abaikan outlier	Satu transaksi ekstrem menarik r secara drastis	Periksa data ekstrem sebelum menghitung
4. Tidak uji signifikansi	Klaim korelasi "kuat" dari sampel sangat kecil tanpa uji-t	Selalu uji signifikansi (Slide 11–12) sebelum klaim ke populasi

Mari kita rangkum empat kesalahan yang paling sering saya temukan saat memeriksa tugas maupun laporan riset pasar mahasiswa selama ini. Kesalahan pertama dan paling sering adalah langsung menyimpulkan sebab-akibat begitu melihat angka r yang besar, padahal seperti sudah kita bahas panjang lebar, korelasi bukan bukti kausalitas. Kesalahan kedua adalah lupa membuat scatterplot terlebih dahulu, sehingga menghitung r pada data yang sebenarnya berpola melengkung, dan hasilnya menyesatkan karena rumus Pearson hanya menangkap hubungan linear. Kesalahan ketiga adalah mengabaikan outlier atau nilai pencilan, misalnya satu bulan dengan penjualan yang sangat tidak biasa karena ada momen viral, yang bisa menarik nilai r secara tidak proporsional. Kesalahan keempat, dan ini sering terlewat, adalah mengklaim korelasi "kuat" hanya berdasarkan nilai r tanpa pernah menguji signifikansinya, padahal dengan sampel kecil, angka r besar bisa saja murni kebetulan. Ingat keempat hal ini baik-baik, karena akan sangat membantu Anda di UAS maupun tugas akhir semester.

Rangkuman & Jembatan ke Pertemuan Berikutnya

Hari ini Anda belajar mengukur, menguji, dan menafsirkan hubungan dua variabel secara bertanggung jawab.

Yang Sudah Dikuasai

Menghitung r manual, menguji signifikansinya, menghitung r², dan mengenali korelasi semu vs kausalitas.

Kunci Diingat

Korelasi = hubungan bergerak bersama, bukan sebab-akibat. Selalu cek scatterplot & teori bisnis sebelum percaya angka r.

Minggu Depan

Pertemuan 9: Regresi Sederhana — dari "seberapa erat hubungan" menuju "berapa besar Y berubah bila X berubah".

Bawa hasil latihan Slide 16 ke pertemuan depan — data yang sama akan kita pakai lagi untuk membangun persamaan regresi.

Mari kita tutup dengan merangkum apa yang sudah kita capai hari ini. Anda sekarang bisa menghitung koefisien korelasi Pearson dari nol, menguji apakah angka itu signifikan secara statistik, menghitung dan menafsirkan koefisien determinasi, serta yang tidak kalah penting, mengenali kapan korelasi tinggi bisa menjebak Anda ke kesimpulan kausalitas yang salah atau korelasi semu yang tidak bermakna. Kunci yang harus Anda bawa pulang adalah: korelasi mengukur seberapa erat dua variabel bergerak bersama, titik, tidak lebih dari itu. Minggu depan kita naik satu tingkat ke regresi sederhana, di mana pertanyaannya berubah dari "seberapa erat hubungan biaya iklan dan penjualan" menjadi "kalau biaya iklan naik satu juta rupiah, berapa unit penjualan yang bisa kita prediksi akan bertambah". Tolong simpan baik-baik hasil perhitungan r dari latihan tadi, karena dataset yang sama akan kita pakai lagi minggu depan untuk membangun persamaan regresinya. Sampai jumpa di pertemuan berikutnya, dan Terima Kasih atas partisipasi aktif Anda hari ini.