BAB I

PENDAHULUAN
A. Latar Belakang.
Banyak analisis data bertujuan untuk mengetahui apakah ada hubungan antara dua atau
lebih peubah. Bila hubungan demikian ini dapat dinyatakan dalam bentuk rumus matematik,
maka kita akan dapat menggunakannya untuk keperluan identifikasi selanjutnya.
Masalah identifikasi dapat dilakukan dengan menerapkan persamaan regresi dan menentukan
korelasi (hubungan) data. Sekarang ini, istilah regresi ditetapkan pada semua jenis peramalan,
dan tidak harus berimplikasi suatu regresi mendekati nilai tengah populasi. Sedangkan Teknik
korelasi merupakan teknik analisis yang melihat kecenderungan pola dalam satu variabel
berdasarkan kecenderungan pola dalam variabel yang lain. Maksudnya, ketika satu variabel
memiliki kecenderungan untuk naik maka kita melihat kecenderungan dalam variabel yang
lain apakah juga naik atau turun atau tidak menentu. Jika kecenderungan dalam satu variabel
selalu diikuti oleh kecenderungan dalam variabel lain, kita dapat mengatakan bahwa kedua
variabel ini memiliki hubungan atau korelasi.

BAB II
PEMBAHASAN
A. Data.
Data adalah catatan atas kumpulan fakta. Data merupakan bentuk jamak dari datum,
berasal dari bahasa Latin yang berarti "sesuatu yang diberikan". Dalam penggunaan seharihari data berarti suatu pernyataan yang diterima secara apa adanya. Pernyataan ini adalah
hasil pengukuran atau pengamatan suatu variabel yang bentuknya dapat berupa angka, katakata, atau citra.
Dalam keilmuan (ilmiah), fakta dikumpulkan untuk menjadi data. Data kemudian diolah
sehingga dapat diutarakan secara jelas dan tepat sehingga dapat dimengerti oleh orang lain
yang tidak langsung mengalaminya sendiri, hal ini dinamakan deskripsi. Pemilahan banyak
data sesuai dengan persamaan atau perbedaan yang dikandungnya dinamakan klasifikasi.

B. Korelasi.
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran
asosiasi / hubungan (measures of association). Pengukuran asosiasi merupakan istilah umum
yang mengacu pada sekelompok teknik dalam statistik bivariat yang digunakan untuk
mengukur kekuatan hubungan antara dua variabel.
Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui
keeratan hubungan antara dua variabel dan untuk mengetahui arah hubungan yang terjadi.
Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang terjadi antara dua
variabel. Dalam SPSS ada tiga metode korelasi sederhana (bivariate correlation)
diantaranya Pearson Correlation, Kendalls tau-b, dan Spearman Correlation. Pearson
Correlation digunakan untuk data berskala interval atau rasio, sedangkan Kendalls taub, dan Spearman Correlation lebih cocok untuk data berskala ordinal.
Dalam korelasi sempurna tidak diperlukan lagi pengujian hipotesis, karena kedua
variabel mempunyai hubungan linear yang sempurna. Artinya variabel X mempengaruhi
variabel Y secara sempurna. Jika korelasi sama dengan nol (0), maka tidak terdapat hubungan
antara kedua variabel tersebut. Dalam korelasi sebenarnya tidak dikenal istilah variabel bebas
2

dan variabel tergantung. Biasanya dalam penghitungan digunakan simbol X untuk variabel
pertama dan Y untuk variabel kedua.
Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui
keeratan hubungan antara dua variabel dan untuk mengetahui arah hubungan yang terjadi.
Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang terjadi antara dua
variabel.
Korelasi terbagi dua, yakni :
1. Korelasi bivarat: merupakan uji korelasi duavariabel
2. Korelasi partial: untuk menghitung koefisien korelasi antara dua variabel, tetapi dengan
dengan mengeluarkan variabel lainnya yang mungkin dianggap berpengaruh dengan kata
lain disebut kontrol.
Korelasi antara x dan y sering disebut dengan r. koefisien r merupakan taksiran dari
korelasi populasi dengan sampel normal (acak). Tingkat ke-eratan hubungan korelasi bergerak
dari 0-1, jika r mendekati 1 (misalnya 0,97) dapat dikatakan bahwa data memiliki hubungan
yang sangat erat berlaku sebaliknya.

C. Perbedaan Regresi dan Korelasi

Pernyataan yang sering kita dengan adalah bahwa regresi dimengerti dengan kata kunci
pengaruh, dan korelasi dimengerti dengan kata kunci hubungan. Pengertian sederhana itu
tidaklah salah, akan tetapi, tidak ada salahnya juga kita memahami secara lebih lanjut tentang
regresi dan korelasi.
Analisis korelasi berkaitan erat dengan regresi, tetapi secara konsep berbeda dengan
analisis regresi. Analisis korelasi adalah mengukur suatu tingkat atau kekuatan hubungan
linear antara dua variabel. Koefisien korelasi adalah mengukur kekuatan hubungan linear.
Sebagai contoh, kita tertarik untuk menemukan korelasi antara merokok dengan penyakit
kanker, berdasarkan penjelasan statistik dan matematika, pada anak sekolah dan mahasiswa
(dst). Dalam analisis regresi, kita tidak menggunakan pengukuran tersebut. Analisis regresi
mencoba untuk mengestimasi atau memprediksikan nilai rata-rata suatu variabel yang sudah
diketahui nilainya, berdasarkan suatu variabel lain yang juga sudah diketahui nilainya.
Misalnya, kita ingin mengetahui apakah kita dapat memprediksikan nilai rata-rata ujian
statistik berdasarkan nilai hasil ujian matematika.
3

a. Regresi
Mempelajari bentuk hubungan antar variabel mealui suatu persamaan. Regresi bisa
berupa hubungan sebab akibat. Regresi mengukur seberapa besar suatu variabel
mempengaruhi variabel yang lain, sehingga dapat digunakan untuk melakukan peramalan
nilai suatu variabel berdasarkan variabel lain.
Regresi adalah bentuk hubungan antara variabel bebas X dengan variabel tak bebas
Y, yang dinyatakan dalam bentuk fungsi matematis Y = f(X).
Sehingga persamaan regresi atau bentuk fungsi, sesuai dengan variabel bebas X
yang menyusunnya. Dengan demikian bentuk fungsi atau regresi dapat digolongkan
menjadi beberapa macam yaitu:
1. Regresi linier.
Regresi linier ialah bentuk hubungan di mana variabel bebas X maupun variabel
tergantung Y sebagai faktor yang berpangkat satu.
Regresi linier ini dibedakan menjadi:
1). Regresi linier sederhana dengan bentuk fungsi: Y= a + bX + e,
2). Regresi linier berganda dengan bentuk fungsi: Y= b0 +b1X1+ .. . + bpXp+e
Dari kedua fungsi di atas 1) dan 2); masing-masing berbentuk garis lurus (linier
sederhana) dan bidang datar (linier berganda).
2. Regresi non linier.
Regresi non linier ialah bentuk hubungan atau fungsi di mana variabel bebas X
dan atau variabel tak bebas Y dapat berfungsi sebagai faktor atau variabel dengan
pangkat tertentu.

Selain itu, variabel bebas X dan atau variabel tak bebas Y

dapat berfungsi sebagai penyebut (fungsi

pecahan), maupun variabel X dan atau

variabel Y dapat berfungsi sebagai pangkat fungsi eksponen= fungsi perpangkatan.

Regresi nonlinier dapat dibedakan menjadi:
a) Regresi polinomial ialah regresi dengan sebuah variabel bebas sebagai faktor
dengan pangkat terurut. Bentuk-bentuk fungsinya adalah sebagai berikut.
Y = a + bX+ cX2(fungsi kuadratik).
Y = a + bX+ cX2+ bX3(fungsi kubik)
Y= a + bX+ cX2+ dX3+ eX4(fungsi kuartik),
Y= a + bX+ cX2+ dX3+ eX4+ fX5(fungsi kuinik), dan seterusnya.
Selain bentuk fungsi di atas, ada suatu bentuk lain dari fungsi kuadratik,
yaitu dengan persamaan:
Y = a + bX+ cX. bentuk ini dapat ditulis menjadi:
Y = a + bX + cX(1/2),
Sehingga, modifikasi dari fungsi kubik adalah:
Y = a + bX+ cX(1/2)+ dX(3/2) , atau
Y = a +bX + cX +dX3.
Dari contoh-contohtersebut di atas perhatikan pangkat dari variabel bebas X.
b) Regresi hiperbola (fungsi resiprokal). Pada regresi hiperbola, di mana variabel
bebas X atau variabel tak bebas Y, dapat berfungsi sebagai penyebut
4

sehingga regresi ini disebut regresi dengan fungsi pecahan atau fungsi
resiprok. Regresi ini mempunyai bentuk fungsi seperti:
1/Y = a + bX atau
Y = a+ b/X.
Selain itu, ada bentuk campuran seperti:
1/Y = a + bX + cX2, dan masih banyak lagi bentuk-bentuk lainnya.
c) Regresi fungsi perpangkatan atau geometrik. Pada regresi ini mempunyai
bentuk

fungsi

yang

berbeda

dengan fungsi polinomial maupun

fungsi

eksponensial. Regresi ini mempunyai bentuk fungsi: Y = a +bX.

d) Regresi eksponensial. Regresi eksponensial ialah regresi di mana variabel
bebas X berfungsi sebagai pangkat atau eksponen. Bentuk fungsi regresi ini dalah:
Y = aebX atau
Y = a 10bX.
Modifikasi dari bentuk di atas adalah:
1/Y = a + becX, ini disebut kurva logistik atau "tipe umum dari model
pertumbuhan".
Modifikasinya juga seperti :
Y = e(a + b/X), disebut dengan transformasi logaritmik resiprokal, yang
umum disebut dengan modelGompertz.
e) Regresi logaritmik. Bentuk fungsi dari regresi adalah: di mana variabel bebas
Y berfungsi sebagai pangkat (eksponen) dan variabel

bebas X mempunyai

bentuk perpangkatan.
Model regresi ini adalah:
eY= a+bX atau dapat di tulis menjadi:
Y = ln a+ b ln X (merupakan trasformasi lilier)
f) Regresi fungsi geometri.

Bentuk dari fungsi ini adalah berupa bentuk regresi

linier berganda di mana dalam fungsi ini terdapat fungs itrigonometri.

Bentuk yang paling sederhana dari fungsi ini adalah:
Y = a + b sin dX+ c cos dX.
Bentuk fungsi ini disebut kurva Faurier. Selain itu, ada lagi bentuk-bentuk yang
lebih kompleks seperti:
Y= a + b sin X + c cos X + d sin2X+ e cos2X+; dan seterusnya.
b. Korelasi
Mempelajari hubungan antar variabel, tetapi digunakan untuk melihat seberapa erat
hubungan antar dua variabel kuantitatif dilihat dari besarnya angka dan bukan dari tandanya.
Dengan menggunakan korelasi, kita dapat mengetahui arah hubungan yang terjadi dalam
dua variabel. Jika korelasi bertanda positif artinya berbanding lurus dan jika bertanda negatif
maka berbanding terbalik.

Pembicaraan mengenai keeratan hubungan atau korelasi yang diukur dengan

tingkat atau derajat keeratan hubungan. Tingkat atau derajat keeratan hubungan dapat
diukur dengan memakai, koefisien korelasi dengan simbul r untuk bubungan linier
sederhana dan indeks korelasi dengan simbul R untuk hubungan bukan linier
sederhana.

Koefisien korelasi r dipakai hanya untuk menyatakan keeratan hubungan

yang bersifat linier sederhana, sedangkan indeks korelasi R untuk menyatakan

keeratan hubungan dari bentuk-bentuk linier berganda dan bentuk non linier. Indeks
korelasi R sering disebut juga koefisien korelasi berganda. Selain koefisien korelasi
sederhana r, dan indeks korelasi R, terdapat juga modifikasi atau fraksi dari R, yang
disebut dengan koefisien korelasi parsiil, korelasi rank, korelasi serial, dan korelasi
biserial, korelasi kotingensi, dan korelasi kanonikal.
Korelasi tidak bisa menyatakan hubungan sebab akibat meskipun angka korelasinya
tinggi.
1. Hubungan positif menyatakan hubungan semakin besar nilai pada variabel X, diikuti
pula perubahan dengan semakin besar nilai pada variabel Y
2. Hubungan negatif menyatakan hubungan semakin besar nilai pada variabel X, diikuti
pula perubahan dengan semakin kecil nilai pada variabel Y.
3. r = 1,00 menyatakan hubungan yang sempurna kuat; r = 0,50 menyatakan hubungan
sedang; dan 0,00 menyatakan tidak ada hubungan sama sekali (dua variabel tidak
berhubungan).
D. Manfaat Korelasi dan Regresi
Kegunaan Analisis Korelasi dan Regresi. Dalam kebanyakan fenomena alam, menaksir
rerata populasi, atau menguji perbedaan dua rerata dengan teknik uji statistika, baik yang
memerlukan asumsi sebaran khusus (parametrik) mau pun yang tidak ketat asumsi sebarannya
(nonparametrik) menjadi tidak efisien dan tidak efektif lagi. Hal ini disebabkan oleh
banyaknya peubah yang berhubungan dan saling menjelaskan antara yang satu dengan yang
lainnya.
Dari latar belakang yang kita perhatikan di atas, metode atau analisis korelasi dan
regresi merupakan topik penting untuk dibicarakan. Metode korelasi dapat mengukur kuatnya
hubungan antara dua peubah yang sifat hubungannya simetris atau timbal balik Seperti
metode korelasi; metode regresi sudah menjadi bagian integral dari setiap analisis data yang
memperhatikan hubungan antara satu peubah tanggapan (response variable) dengan satu atau
lebih peubah penjelas (explanatory variables). Istilah peubah tanggapan kadang-kadang juga
disebut peubah terikat atau terikat (dependent variable), dan peubah penjelas disebut peubah
penaksir (predictor variable) atau peubah bebas (independent variable). Penggunaan istilah ini

biasanya disesuaikan dengan situasi peubah-peubah yang dipelajari hubungannya, dan juga
selera penggunanya.
E. Persamaan Mencari Hubungan Korelasi.
Koefisien korelasi untuk 2 buah variabel X dan Y dengan jumlah data sebesar N, dapat
dihitung dengan menggunakan rumus yang dikembangkan oleh Karl Pearson, yaitu :

Untuk menghitung koefisien korelasi ganda dapat digunakan rumus berikut :

Dimana:
ryx1= Koefisien korelasi antara variabel x1 dengan variabel y
ryx2= Koefisien korelasi antara variabel x2 dengan variabel y
Sementara itu pada keadaan dimana terdapat lebih dari 2 variabel bebas, koefisien
korelasi juga padat dicari nilainya dengan pola yang sama. Contohnya adalah untuk mencari
koefisien korelasi ketika terdapat 7 variabel bebas dan 1 variabel terikat, dapat dipergunakan
persamaan sebagai berikut:

Dimana:

Untuk kekuatan hubungannya, nilai koefisien korelasi berada di antara -1 sampai 1,

sedangkan untuk arah dinyatakan dalam bentuk positif (+) dan negatif (-).
7

1. Korelasi Linear Positif, jika semua titik (X,Y) pada diagram pencar mendekati bentuk
garis lurus dan jika arah perubahan kedua variabel sama. Jika X naik, Y juga naik.

2. Korelasi Non-Linear, jika semua titik (X,Y) pada diagram pencar tidak membentuk
garis lurus.

3. Korelasi Negatif, jika arah perubahan variabel tidak sama. Jika X naik, Y turun.

Persamaan-persamaan di atas merupakan persamaan untuk memperoleh koefisien

korelasi simultan atau bersama semua variabel bebas terhadap variabel terikat. Untuk mencari
berapa koefisien korelasi salah satu variabel bebas terhadap variabel terikat ketika variabel
bebas yang lain dianggap konstan, dipergunakan persamaan korelasi parsial sebagai berikut :

Koefisien korelasi parsial dimaksudkan untuk mencari tahu seberapakuatkah, hubungan

salah satu atau beberapa variabel bebas terhadap variabel terikat secara parsial, tidak simultan
atau bersama-sama.
8

Koefisien korelasi menunjukan berapa besar varians total satu variabel berhubungan
dengan varians variabel lain. Hal ini berarti bahwa tiap nilai r perlu ditafsirkan posisinya
dalam keterkaitan tersebut. Untuk memberikan tafsiran pada nilai koefisien korelasi, dapat
digunakan referensi guilford empirical rules pada tabel 1.
Tabel 1. Penafsiran Koefisien Korelasi.
Besar ryx

Penafsiran

0,00 < 0,20

Hubungan sangat lemah (diabaikan, dianggap tidak ada)

0,20 < 0,40

Hubungan rendah atau lemah

0,40 < 0,70

Hubungan sedang atau cukup

0,70 < 0,90

Hubungan kuat

0,90 1,00

Hubungan sangat kuat

Setelah nilai koefisien korelasi diperoleh, nilai koefisien determinasi juga dapat
diperoleh dengan persamaan berikut:
KP = (Rx1,x2,y)2 x 100%
Nilai KP pada persamaan di atas menunjukan seberapa besar nilai variabel bebas x 1 dan
x2 mempengaruhi nilai variabel terikat y. Nilai (1 KP) akan menunjukkan persentase
besarnya pengaruh faktor-faktor lain di luar faktor yang ada pada variabel bebas, dalam
mempengaruhi variabel terikat y.
F. Pengujian Hipotesis Koefisien Regresi Linear Sederhana
Selanjutnya dilakukan pengujian hipotesis secara statistis terhadap koefisien regresi
yang diperoleh tersebut. Ada dua jenis pengujian yaitu uji t dan uji F. Uji t digunakan untuk
menguji koefisien regesi secara individual atau untuk menguji ada tidaknya pengaruh variabel
bebas (X) terhadap variabel tidak bebas (Y). Uji F digunakan untuk menguji koefisien regresi
secara simultan serentak atau untuk menguji keberartian model regresi yang digunakan.
1. UJI t
a. Hipotesis statistiknya:
Ho : = 0 (X tidak berpengaruh terhadap Y)
H1 : 0 (X berpengaruh terhadap Y)

se2

sb

2
i

i 1

se2

2
i

i 1

n2

i 1

i 1

ei2 yi2 b 2
b.

x
i 1

2
i

b
sb
Statistik uji:

c. Kriteria uji:
Tolak H0 jika thit ttab atau thit ttab atau terima H0 jika ttab< thit < ttab

t tab t 0.5 ;df n2

Dengan
2. UJI F

a. Hipotesis statistiknya:
Ho : = 0 (model regresi Y terhadap X tidak berarti)
H1 : 0 (model regresi Y terhadap X memiliki arti)
RJK reg

RJK

b.

Statistik uji:

RJK reg

JK reg
; JK reg
1

JK Yi
i 1

Y
i 1

X Y
i 1

i i

X Y
i 1

i 1

; RJK

JK reg

10

JK
n2

c. Kriteria uji
Tolak H0 jika Fhit Ftab
Ftab = F(v1,v2) dimana v1 = 1 dan v2 = n 2

3. Pengujian Koefisen Korelasi

a. Hipotesis statistiknya:
Ho: XY = 0 (Tidak terdapat hubungan antara X dan Y)
H1: XY 0 (Terdapat hubungan antara X dan Y)
b. Statistik uji:

t=

r n2

1r 2

c. Kriteria uji
Tolak H0 jika thit ttab atau thit ttab atau terima H0 jika ttab< thit < ttab
Dengan

t tab t 0.5 ;df n2

11

DAFTAR PUSTAKA

Abdurahman, Maman, Muhidin, Sambas & Somantri, Ating. 2012. Dasar-Dasar Metode
Statistika Untuk Penelitian. Bandung: CV. Pustaka Setia.

Bevington, Philip R et al. 2003. Data Reduction. New York USA : McGraw-Hill Companies,
Inc.

Siregar, Syofian. 2013. Statistik Parametrik untuk Penelitian Kualitatif. Jakarta: Bumi Aksara.

Sudjana. 2005. Metoda Statistika Edisi Ke-enam. Bandung : Tarsito Bandung

12

CONTOH SOAL

ANALISIS REGRESI LINIER SEDERHANA

Tabulasi hasil penelitian variabel kualitas layanan dengan volume penjualan sabun cuci
diperoleh data sebagai berikut :

Hitunglah :
1. Nilai korelasi dan determiasi
2. Persamaan regresi linier sederhana
3. Lakukan uji t dan uji F dengan menggunakan a=5%
4. Kesimpulan apa yang diperoleh dari hubungan dua variabel tersebut

13

14

Jawab:

1. Analisis korelasi

15

Analisis koefisien determinasi

2. Persamaan regresi

16

Persamaan regresinya Y = 149.114 + 0.215X

3. Uji t dan Uji F
a. Uji t digunakan untuk menguji koefisien regresi secara parsial
Hipotesis statistic
Ho : = 0 (X tidak berpengaruh terhadap Y)
H1 : 0 (X berpengaruh terhadap Y)

sb

se2
n

2
i

i 1

se2

e
i 1

2
i

n2

i 1

i 1

ei2 yi2 b 2

x
i 1

2
i

b
sb
Statistic uji

17

4. Kesimpulan
a. Nilai

koefisien korelasi

diperoleh

sebesar

0,091. Hal ini berarti adanya

hubungan positif antara kualitas layanan dengan rata-rata penjualan, namun jika
dilihat dari nilai korelasi hubungan variabel tersebut termasuk kategori
rendah. Dengan demikian berarti kualitas layanan memiliki hubungan rendah
terhadap kenaikan rata-rata penjualan.
Nilai koefisien determinasi sebesar 0,008. Hal ini menunjukkan kemampuan
variabel kualitas layanan dalam mempengaruhi variabel rata-rata penjualan
barang sebesar 0, 8%, sedangkan sisanya sebesar 99, 2% dipengaruhi oleh
faktor lain.
b. Y = 149,114 + 0,215 X
Nilai konstanta (a) = 149,114
Nilai konstanta (a) sebesar 149,114, menunjukkan besarnya variabel rata-rata
penjualan barang yang tidak dipengaruhi oleh kualitas layanan atau dapat
diartikan pada saat nilai kualitas layanan sebesar 0, maka rata-rata penjualan
sebesar 149.114.
Koefisien regresi sebesar 0,215, berarti kualitas layanan mempunyai hubungan
positif atau searah dengan rata-rata penjualan , karena koefisien regresi
bernilai positif. Setiap peningkatan 1 satuan kualitas layanan maka akan
berpengaruh terhadap peningkatan rata-rata penjualan sebesar 0,215 satuan.
Begitu juga sebaliknya setiap penurunan kualitas layanan sebesar 1 satuan
akan berpengaruh terhadap penurunan rata-rata penjualan sebesar 0,215 satuan.

18