YURIKE

library(readxl)
data_kekew <- read_excel("PRAKTIKUM KOMSTAT/LAPRAK 9/data_kekew.xlsx", 
    col_types = c("numeric", "numeric"))
View(data_kekew)

regresi<- lm(Y~X, data= data_kekew)
summary(regresi)

## 
## Call:
## lm(formula = Y ~ X, data = data_kekew)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -13.1008  -6.7374  -0.8556   4.9730  17.8298 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  -0.5170     8.6336  -0.060    0.953    
## X             0.6272     0.1317   4.763 3.96e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 8.215 on 32 degrees of freedom
## Multiple R-squared:  0.4148, Adjusted R-squared:  0.3965 
## F-statistic: 22.68 on 1 and 32 DF,  p-value: 3.956e-05

nilai_korelasi <- function(x, y) {
  # Menghitung komponen-komponen utama
  jumlah_data <- length(x)
  sum_x <- sum(x)
  sum_y <- sum(y)
  sum_produk_deviasi <- sum(x * y)
  sum_kuadrat_deviasi_x <- sum(x^2)
  sum_kuadrat_deviasi_y <- sum(y^2)
  
  # Menghitung korelasi Pearson
  pembilang <- (jumlah_data * sum_produk_deviasi) - (sum_x * sum_y)
  penyebut <- sqrt((jumlah_data * sum_kuadrat_deviasi_x - sum_x^2) * (jumlah_data * sum_kuadrat_deviasi_y - sum_y^2))
  korelasi <- pembilang / penyebut
  
  # Menampilkan hasil korelasi
  cat("Korelasi Pearson:", korelasi, "\n")
  
  return(korelasi)
}