KORELASI

Teknik korelasi didasarkan pada parametik dan nonparametik adalah sebagai berikut :
Statistik parametik :
a) Korelasi product moment (pearson)
b) Korelasi parsial
c) Korelasi ganda
Statistik non-parametik :
a) Rank spearman
b) Kendall tau
c) Koefisien kontingensi
Analisa korelasi (R) dalam statistika digunakan untuk menunjukkan besarnya keeratan
hubungan antara dua variabel acak yang masing-masing memiliki skala pengukuran minimal
interval dan berdistribusi bivariat, digunakan koefisien korelasi yang dirumuskan sebagai
berikut:

Catatan:
Nilai R berkisar antara (+1) sampai (-1)

Nilai R yang (+) ditandai oleh nilai b yang (+)

Nilai R yang (-) ditandai oleh nilai b yang (-)
Jika nilai R mendekati +1 atau R mendekati -1 maka X dan Y memiliki korelasi

linier yang tinggi

Jika nilai R = +1 atau R = -1 maka X dan Y memiliki korelasi linier sempurna
Jika nilai R = 0 maka X dan Y tidak memiliki relasi (hubungan) linier (dalam kasus R
mendekati 0, anda dapat melanjutkan analisis ke regresi eksponensial)

INDEKS DETERMINASI (R2)

Dalam analisis regresi, koefisien korelasi yang dihitung tidak untuk diartikan
sebagai ukuran keeratan hubungan variabel bebas (X) dan variabel tidak bebas (Y),
sebab dalam analisis regresi asumsi normal bivariat tidak terpenuhi.
Untuk itu, dalam analisis regresi agar koefisien korelasi yang diperoleh dapat
diartikan maka dihitung indeks determinasinya, yaitu hasil kuadrat dari koefisien
korelasi:

R2xy =( r xy )2
Indeks determinasi yang diperoleh tersebut digunakan untuk menjelaskan
persentase variasi dalam variabel tidak bebas (Y) yang disebabkan oleh bervariasinya
variabel bebas (X). Hal ini untuk menunjukkan bahwa variasi dalam variabel tak bebas
(Y) tidak semata-mata disebabkan oleh bervariasinya variabel bebas (X), bisa saja variasi
dalam variabel tak bebas tersebut juga disebabkan oleh bervariasinya variabel bebas
lainnya yang mempengaruhi variabel tak bebas tetapi tidak dimasukkan dalam model
persamaan regresinya.

REGRESI
Analisis regresi digunakan untuk mempelajari dan mengukur hubungan statistik yang
terjadi antara dua atau lebih variable atau yang untuk mengetahui pengaruh suatu variabel
terhadap variabel lain. Dalam analisa regresi, suatu persamaan regresi hendak ditentukan dan
digunakan untuk menggambarkan pola atau fungsi hubungan yang terdapat antar variabel.
Data yang dianalisis dengan regresi merupakan data kuantitatif yang memiliki skala
pengukuran minimal interval.
Sedang garis regresi didefinisikan sebagai garis lurus yang ditarik dari titik titik
diagram pencar (scattered diagram) dari nilai variabel tergantung dan variabel bebas sehingga
garis tersebut menggambarkan hubungan linier antara variabel-variabel tersebut. Jika nilainilai ini merupakan garis regresi nilai baku maka garis ini sama dengan garis korelasi. Garis
ini disebut juga sebagai garis kecocokan yang sempurna dimana garis lurus tersebut berada
pada posisi terdekat pada titik-titik diagram pencar.
o Sumbu Y : Variabel terikat (variabel yang akan disestimasi nilainya)
o Sumbu X : Variabel bebas (variabel yang diasumsikan member pengaruh
terhadap variasi variabel terikat)
Jenis-jenis Persamaan Regresi:
a. Regresi Linier :
Regresi Linier Sederhana
Regresi Linier Berganda
b. Regresi Nonlinier
Regresi Eksponensial

REGRESI LINEAR SEDERHANA

Model persamaan regresi linear sederhana :

Y =a+bX
Keterangan:
Y = peubah tak bebas
X = peubah bebas
a = konstanta
b = kemiringan
Jika data hasil observasi terhadap sampel acak berukuran n telah tersedia,
maka untuk mendapatkan persamaan regresi Y = a + bX, perlu dihitung a dan b
dengan metode kuadrat kekeliruan terkecil (least square error methods).

i 1

i 1

i 1

n X iYi X i Yi
n

i 1

n X i2

X
i 1

a Y bX

Sehingga,

n = banyak pasangan data

yi = nilai peubah takbebas Y ke-i
xi = nilai peubah bebas X ke-i

SIFAT-SIFAT GARIS REGRESI LINIER

Terdapat dua sifat yang harus dipenuhi sebuah garis lurus untuk dapat menjadi
garis regresi yang cocok (fit) dengan titik-titik data pada diagram pencar, yaitu:
1. Jumlah simpangan (deviasi) positif dari titik-titik yang terbesar di atas garis
regresi sama dengan (saling meniadakan) jumlah simpangan negative dari titiktitik yang terbesar di bawah garis regresi. Dengan kata lain:
y= ( y ^y )=0
2. Kuadrat dari simpangan-simpangan mencapai nilai minimum (last square value of
deviation). Jadi:
( y )2 = ( y ^y )2=minimum
Dari kedua sifat tersebut metode regresi ini disebut juga disebut sebagai
metode least square.

SYARAT-SYARAT REGRESI DENGAN SPSS

a. Model kelayakan regresi linear dalam IBM SPSS didasarkan pada hal-hal
sebagai berikut: Model regresi dikatakan layak jika angka signifikansi pada
ANOVA sebesar < 0.05
b. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini
diketahui jika angka Standard Error of Estimate < Standard Deviation
c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan uji t.
Koefesien regresi signifikan jika t hitung > t table (nilai kritis). Dalam IBM
SPSS dapat diganti dengan menggunakan nilai signifikansi (sig) dengan
ketentuan sebagai berikut: Jika sig < 0,05; koefesien regresi signifikan Jika sig
> 0,05; koefesien regresi tidak signifikan
d. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi antar
variabel bebas yang sangat tinggi atau terlalu rendah. Syarat ini hanya berlaku
untuk regresi linier berganda dengan variabel bebas lebih dari satu. Terjadi
multikolinieritas jika koefesien korelasi antara variable bebas > 0,7 atau < - 7
e. Tidak terjadi otokorelasi jika: - 2 DW 2
f. Keselerasan model regresi dapat diterangkan dengan menggunakan nilai r2
semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1
maka model regresi semakin baik. Nilai r2 mempunyai karakteristik
diantaranya: 1) selalu positif, 2) Nilai r2 maksimal sebesar 1. Jika Nilai r 2
sebesar 1 akan mempunyai arti kesesuaian yang sempurna. Maksudnya
seluruh variasi dalam variabel tergantung (variabel Y) dapat diterangkan oleh
model regresi. Sebaliknya jika r2 sama dengan 0, maka tidak ada hubungan
linier antara variabel bebas (variabel X) dan variabel tergantung (variabel Y).
g. Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung
(Y)
h. Data harus berdistribusi normal
i. Data berskala interval atau rasio
j. Terdapat hubungan dependensi, artinya satu variabel merupakan variabel
tergantung yang tergantung pada variabel (variabel) lainnya.

Contoh Soal:
Analisa kekuatan material refraktori berdasarkan kadar Silika.
No

X (kadar
silika)
(%)

Y (uji
kekera
san)
(BHN)

X2

Y2

XY

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
85
90
95
100
1050

50
54
61
67
69
66
72
75
79
74
82
84
89
93
94
91
90
97
99
101
1587

25
100
225
400
625
900
1225
1600
2025
2500
3025
3600
4225
4900
5625
6400
7225
8100
9025
10000
7175
0
20

2500
2916
3721
4489
4761
4356
5184
5625
6241
5476
6724
7056
7921
8649
8836
8281
8100
9409
9801
10201
1302
47

250
540
915
1340
1725
1980
2520
3000
3555
3700
4510
5040
5785
6510
7050
7280
7650
8730
9405
10100
9158
5

Asumsi:
Ho = Tidak ada hubungan antara kekuatan material dengan kadar Silica.
Ha = Ada hubungan antara kekuatan material dengan kadar Silica.
Jika probabilitas > 0,05 (significant 0.01 level), maka Ho diterima.
Jika probabilitas < 0,05 maka H1 diterima.

a. Perhitungan Manual

r=

20 ( 91585 )(1050)(1587)

[ 20 ( 71750 )(1050) ] [ 20(130247)(1587) ]

2

r=

18317001666350
[ ( 1435000 )( 1102500)][ ( 2604940 )(2518569)]

r=

165350
[ 332500 ][ 86371 ]

r=

165350
169464.915

r=0,975

r 2=0,950=95
Artinya, variasi X (Kadar Silica) mempengaruhi variasi Y (kekuatan material refraktori)
sebanyak 95%.
b. Pengujian Korelasi Metode Pearson
Taraf nyata () = 5% = 0,05
Uji statistik = uji t

t=0,975
t=0,975

202
10,950
18
0,05

t=0,975 360
t=0,975 x 18,973

t=18,498 18,50

Catatan:
Uji t digunakan karena hanya terdapat dua variable, X dan Y. Jika terdapat lebih dari
dua variable maka digunakan uji f.

c. Menggunakan SPSS

ANALISA REGRESI
a. Secara Manual
Mencari nilai Y = a + bx
xy
x
y

n
b=
b=

20 ( 91585 )(1050)(1587)
2
20 ( 71750 ) (1050)

b=

18317001666350
14350001102500

b=

165350
332500

b=0,497

yb

a=
a=

15870,497(1050)
20

a=

1587521,85
20

a=

1065,15
20

a=53,257
Y =53,257+ 0,497 x