Untuk menghitung nilai koefisien korelasi $r$, kita menggunakan rumus Pearson:

[ r = \frac{n\sum(xy) - \sum(x)\sum(y)}{\sqrt{\left[n\sum(x^2) - (\sum(x))^2\right] \cdot \left[n\sum(y^2) - (\sum(y))^2\right]}} ]

Dimana:

• $x$ adalah data biaya produksi
• $y$ adalah data volume penjualan
• $n$ adalah jumlah data (7 dalam kasus ini)

Langkah-langkah:

1. Hitung total $x$, $y$, $x^2$, $y^2$, dan $xy$.
2. Substitusi hasil tersebut ke dalam rumus.

Mari kita hitung! numpy as np

Data

biaya_produksi = np.array([12, 14, 13, 12, 15, 13, 14]) # x volume_penjualan = np.array([56, 62, 60, 61, 65, 66, 60]) # y

Hitungan

n = len(biaya_produksi) sum_x = np.sum(biaya_produksi) sum_y = np.sum(volume_penjualan) sum_x2 = np.sum(biaya_produksi2) sum_y2 = np.sum(volume_penjualan2) sum_xy = np.sum(biaya_produksi * volume_penjualan)

Koefisien korelasi

numerator = n * sum_xy - sum_x * sum_y denominator = np.sqrt((n * sum_x2 - sum_x2) * (n * sum_y2 - sum_y2)) r = numerator / denominator rNilai koefisien korelasi $r$ antara biaya produksi dan volume penjualan adalah $0.541$.

Ini menunjukkan adanya hubungan positif sedang antara kedua variabel: ketika biaya produksi meningkat, volume penjualan cenderung meningkat, meskipun tidak secara sangat kuat.

Apakah Anda ingin penjelasan lebih rinci mengenai perhitungan ini? Berikut adalah beberapa pertanyaan terkait yang dapat membantu:

1. Apa interpretasi dari nilai koefisien korelasi dalam konteks ini?
2. Bagaimana cara memeriksa apakah hubungan ini signifikan secara statistik?
3. Dapatkah Anda memberikan contoh hubungan kuat dan lemah menggunakan data lain?
4. Apakah ada cara untuk memvisualisasikan hubungan ini, seperti melalui diagram pencar?
5. Apa yang dapat memengaruhi nilai koefisien korelasi?

Tip: Pastikan data bebas dari outlier untuk memastikan nilai korelasi yang lebih akurat.