Bank Soal Statistik Kuantitatif: Contoh Kasus Regresi Linear dan Korelasi Pearson

Dalam dunia akademis dan riset profesional, analisis data kuantitatif merupakan instrumen utama untuk mengubah kumpulan angka menjadi informasi yang bermakna. Bagi mahasiswa tingkat akhir yang sedang menyusun skripsi atau peneliti pemula, dua teknik yang paling sering digunakan namun juga sering menimbulkan kebingungan adalah Korelasi Pearson dan Regresi Linear.

baca lagi : Bank Contoh Soal Tes Baum Psikologi Disertai Pembahasan Mudah Dipahami

Meskipun keduanya sama-sama mempelajari hubungan antar variabel, tujuan dan interpretasinya sangat berbeda. Korelasi berfokus pada kekuatan hubungan, sementara regresi berfokus pada prediksi dan pengaruh. Artikel ini akan menyajikan bank soal komprehensif yang mencakup contoh kasus nyata, cara perhitungan, hingga interpretasi hasil untuk membantu Anda menguasai kedua materi ini.

Memahami Perbedaan: Korelasi vs Regresi

Sebelum masuk ke bank soal, penting untuk memantapkan konsep dasar:

• Korelasi Pearson ($r$): Digunakan untuk mengukur kekuatan dan arah hubungan linear antara dua variabel kontinu. Hasilnya berupa koefisien yang berkisar antara $-1$ hingga $+1$.
• Regresi Linear Sederhana: Digunakan untuk memodelkan hubungan fungsional antara satu variabel independen ($X$) dan satu variabel dependen ($Y$). Tujuannya adalah untuk memprediksi nilai $Y$ berdasarkan nilai $X$.

Bagian 1: Bank Soal Korelasi Pearson

Korelasi Pearson sangat sensitif terhadap hubungan linear. Berikut adalah simulasi soal yang sering muncul dalam ujian atau praktik riset.

Contoh Kasus 1: Hubungan Motivasi Belajar dan IPK

Seorang peneliti ingin mengetahui apakah ada hubungan antara skor motivasi belajar (skala 1-100) dengan Indeks Prestasi Kumulatif (IPK) mahasiswa. Diambil sampel 5 mahasiswa dengan data sebagai berikut:

• Mahasiswa A: Motivasi (80), IPK (3.5)
• Mahasiswa B: Motivasi (70), IPK (3.0)
• Mahasiswa C: Motivasi (90), IPK (3.8)
• Mahasiswa D: Motivasi (60), IPK (2.5)
• Mahasiswa E: Motivasi (85), IPK (3.6)

Pertanyaan:

1. Hitunglah koefisien korelasi Pearson ($r$)!
2. Interpretasikan hasil tersebut berdasarkan kekuatan dan arah hubungan!

Pembahasan:

Untuk menghitung $r$, kita menggunakan rumus:

$$r = \frac{n(\sum XY) – (\sum X)(\sum Y)}{\sqrt{[n\sum X^2 – (\sum X)^2][n\sum Y^2 – (\sum Y)^2]}}$$

Setelah melakukan perhitungan (dengan menjumlahkan $X^2, Y^2,$ dan $XY$), didapatkan nilai $r = 0.98$.

Interpretasi:

• Arah: Positif. Artinya, semakin tinggi motivasi belajar, semakin tinggi pula IPK mahasiswa.
• Kekuatan: Sangat Kuat ($0.98$ mendekati $1.00$). Ini menunjukkan hubungan yang sangat konsisten antara kedua variabel.

Bagian 2: Bank Soal Regresi Linear Sederhana

Regresi linear melangkah lebih jauh dengan menciptakan persamaan garis yang paling sesuai (best fit line) melalui titik-titik data.

Contoh Kasus 2: Pengaruh Biaya Iklan terhadap Penjualan

Sebuah perusahaan ingin memprediksi total penjualan (dalam juta rupiah) berdasarkan biaya iklan yang dikeluarkan (dalam juta rupiah). Data dari 5 bulan terakhir:

• Bulan 1: Iklan (2), Penjualan (10)
• Bulan 2: Iklan (4), Penjualan (15)
• Bulan 3: Iklan (6), Penjualan (18)
• Bulan 4: Iklan (8), Penjualan (25)
• Bulan 5: Iklan (10), Penjualan (30)

Pertanyaan:

1. Tentukan persamaan regresi linear $Y = a + bX$!
2. Jika perusahaan menaikkan biaya iklan menjadi 15 juta, berapa estimasi penjualannya?

Pembahasan:

Langkah pertama adalah mencari koefisien regresi ($b$) dan konstanta ($a$):

$$b = \frac{n\sum XY – \sum X \sum Y}{n\sum X^2 – (\sum X)^2}$$

$$a = \bar{Y} – b\bar{X}$$

Dari hasil perhitungan data di atas, didapatkan:

• $b = 2.45$
• $a = 4.9$Sehingga persamaan regresinya adalah: $Y = 4.9 + 2.45X$

Prediksi:

Jika $X = 15$, maka $Y = 4.9 + 2.45(15) = 4.9 + 36.75 = 41.65$ juta rupiah.

Bagian 3: Soal Analisis Koefisien Determinasi ($R^2$)

Koefisien determinasi sering ditanyakan untuk mengetahui seberapa besar variabel $X$ mampu menjelaskan variabel $Y$.

Soal:

Jika dalam analisis pengaruh Kualitas Layanan terhadap Kepuasan Pelanggan didapatkan nilai korelasi $r = 0.7$, berapakah nilai Koefisien Determinasinya dan apa artinya?

Pembahasan:

• $R^2 = (0.7)^2 = 0.49$.
• Artinya, sebesar 49% variasi Kepuasan Pelanggan dipengaruhi oleh Kualitas Layanan, sedangkan 51% sisanya dipengaruhi oleh faktor lain di luar penelitian ini.

Tips Strategis Mengerjakan Soal Kuantitatif

1. Gunakan Tabel Pembantu: Selalu buat kolom untuk $X^2, Y^2,$ dan $XY$. Ini akan meminimalisir kesalahan hitung.
2. Cek Logika Hasil: Nilai korelasi Pearson tidak mungkin lebih dari $1$ atau kurang dari $-1$. Jika hasil Anda $1.5$, pasti ada kesalahan hitung.
3. Visualisasi dengan Scatter Plot: Sebelum menghitung, buatlah plot titik-titik data secara kasar. Ini membantu Anda melihat apakah hubungan memang linear atau tidak.
4. Interpretasi Kontekstual: Dalam ujian, jangan hanya menulis angka. Hubungkan kembali angka tersebut ke masalah dalam soal (misalnya: “Maka setiap kenaikan 1 juta biaya iklan, penjualan naik sebesar 2.45 juta”).

baca lagi : Mahasiswa Universitas Teknokrat Indonesia Sabet Medali Emas di Sriwijaya International Taekwondo Championship 2025

Kesimpulan

Korelasi Pearson dan Regresi Linear adalah dua alat statistik kuantitatif yang sangat berdaya guna jika dipahami dengan benar. Korelasi membantu kita memahami hubungan, sementara regresi memberikan kekuatan untuk memprediksi masa depan. Dengan sering berlatih soal-soal kasus seperti di atas, Anda tidak akan hanya mahir menghitung, tetapi juga tajam dalam menganalisis fenomena sosial maupun bisnis melalui kacamata statistik.

penulis : dinda rahma wati