ANALISIS REGRESI KORELASI

ANALISIS REGRESI KORELASI

Analisis regresi mempelajari bentuk hubungan antara satu atau lebih peubah/variabel bebas
(X) dengan satu peubah tak bebas (Y). dalam penelitian peubah bebas ( X) biasanya peubah
yang ditentukan oleh peneliti secara bebas misalnya dosis obat, lama penyimpanan, kadar zat
pengawet, umur ternak dan sebagainya. Disamping itu peubah bebas bisa juga berupa peubah
tak bebasnya, misalnya dalam pengukuran panjang badan dan berat badan sapi, karena
panjang badan lebih mudah diukur maka panjang badan dimasukkan kedalam peubah bebas
(X), sedangkan berat badan dimasukkan peubah tak bebas (Y). Sedangkan peubah tak bebas
(Y) dalam penelitian berupa respon yang diukur akibat perlakuan/peubah bebas (X). misalnya
jumlah sel darah merah akibat pengobatan dengan dosis tertentu, jumlah mikroba daging
setelah disimpan beberapa hari, berat ayam pada umur tertentu dan sebagainya.
Untuk mempelajari cara melakukan analisis regresi linear, silahkan baca artikel kami antara
lain:
Regresi Linear Sederhana dengan SPSS
Regresi Linear Berganda dengan Minitab
Regresi Linear Berganda dengan STATA
Analisis Regresi dalam Excel
Bentuk hubungan antara peubah bebas (X) dengan peubah tak bebas (Y) bisa dalam
bentuk polinom derajat satu (linear) polinom derajat dua (kuadratik). Polinom derajat tiga
(Kubik) dan seterusnya. Disamping itu bisa juga dalam bentuk lain misalnya eksponensial,
logaritma, sigmoid dan sebagainya. Bentuk-bentuk ini dalam analisis regresi-korelasi
biasanya dilakukan transformasi supaya menjadi bentuk polinom.
Dalam bentuk yang paling sederhana yaitu satu peubah bebas (X) dengan satu peubah tak
bebas (Y) mempunyai persamaan:
Y =a +bx
Disini a disebut intersep dan b adalah koefisien arah atau koefisien beta.
Dalam pengertian fungsi persamaan garis Y + a + bx hanya ada satu yang dapat dibentuk
dari dua buah titik dengan koordinat yang berbeda yaitu ( X1, Y1) dan X2,Y2). Hal ini berarti
kita bisa membuat banyak sekali persamaan garis dalam bentuk lain melalui dua buat titik
yang berbeda koordinatnya/tidak berimpit.
Persamaan garis melalui dua buah titik dirumuskan sebagai berikut:

Persamaan Garis Regresi

Sebagai contoh misalnya titik A (1,3) dan titik B ($,9) maka persamaan garis linear yang
dapat dibuat adalah:

Persamaan Garis Linear

Dalam bentuk matrik bisa kita buat persaman sebagai berikut:

Matrix Regresi Linear

Jadi a=1 dan b=2 sehingga persamaannya Y=1 +2X
Jika jumlah data sebanyak n maka persamaannya sebagai berikut:

Disini o adalah penduga a, 1 adlah penduga b dan i merupakan besarnya simpangan

persamaan garis penduga. Semakin kecil nilai i persamaan regresi yang diperoleh akan
semakin baik.

Jadi kita dapat menuliskan pengamatan kita menjadi:

Dengan notasi matriks dapat ditulis sebagai berikut:

Jadi kita peroleh matrik Y,X, dan dengan dimensi sebagai berikut :

Jika diasumsikan E() = 0 maka E(Y) = X

Bila modelnya benar merupakan penduga terbaik yaitu dengan jalan melakukan
penggandaan awal dengan X sehingga diperoleh persamaan normal sebagai berikut:

Jadi =(XX)-1XY
Disini(XX)-1 adalah kebalikan (inverse) dari matrik XX

Contoh :
Seorang peneliti ingin mengetahui bentuk hubungan antara jumlah cacing jenis tertentu
dengan jumlah telurnya pada usus ayam buras. Untuk tujuan tersebut diperiksa 20 ekor ayam
dan ditemukan sebagai berikut:
Tabel 1 jumlah cacing dan jumlah telurnya pada usus ayam buras.

Dari data diatas kita bisa menghitung:

Bila kita duga bentuk hubungan antara jumlah cacing (X) dan jumlah telurnya (Y) adalah:

Jadi =-2,442 + 4,103 Xi,

Persamaan garis regresi Yi =-2,442 + 4,103 Xi bukanlah satu-satunya garis penduga untuk
menyatakan hubungan antara jumlah cacing dengan jumlah telurnya. Sudah barang tentu
masih banyak lagi bentuk persamaan penduga yang dapat dibuat misalnya dalam bentuk
persamaan Yi=o+1Xi+2Xi2,Yi=oXi1 (dalam bentuk linear LnYi=Ln o+iLnXi) dan
masih banyak lagi bentuk yang lainnya.
Untuk menyatakan apakah garis yang diperoleh cukup baik untuk menggambarkan hubungan
antara peubah bebas (X) dengan peubah tak bebas (Y) dapat dilakukan pengujian bentuk
model yang digunakan dan keeratan hubungannya (korelasi) untuk menyatakan ketepatan dan
ketelitian persamaan garis regresi yang diperoleh.
Agar anda memahami artikel ini, pelajari juga tentang Uji F dan Uji T: "Uji F dan Uji T"

Contoh Regresi Linier Sederhana dengan SPSS

Artikel ini akan mengupas contoh regresi linier sederhana dengan SPSS menggunakan data
regresi yang dipakai seperti pada perhitungan korelasi. Analisis regresi linear sederhana
merupakan salah satu metode regresi yang dapat dipakai sebagai alat inferensi statistik untuk
menentukan pengaruh sebuah variabel bebas (independen) terhadap variabel terikat
(dependen). Uji Regresi linear sederhana ataupun regresi linier berganda pada intinya memiliki
beberapa tujuan, yaitu:
1. Menghitung nilai estimasi rata-rata dan nilai variabel terikat berdasarkan pada nilai
variabel bebas.
2. Menguji hipotesis karakteristik dependensi
3. Meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel bebas
diluar jangkaun sample.

Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi dan
persyaratan yang perlu diperiksa dan diuji, beberapa diantaranya adalah :
1. Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai disturbance
term sebesar 0 atau dengan simbol sebagai berikut: E (U / X) = 0,
2. Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada
hubungan linier yang nyata,
3. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05,
Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui
jika angka Standard Error of Estimate < Standard Deviation,
4. Koefisien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien
regresi signifikan jika T hitung > T table (nilai kritis),
5. Model regresi dapat diterangkan dengan menggunakan nilai koefisien determinasi (KD
= R Square x 100%) semakin besar nilai tersebut maka model semakin baik. Jika nilai
mendekati 1 maka model regresi semakin baik,
6. Residual harus berdistribusi normal,
7. Data berskala interval atau rasio,
8. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas
(variabel predictor) sedang variabel lainnya variabel terikat (variabel response)
Berikut ini contoh perhitungan regresi linier sederhana menggunakan software SPSS
20.

Proses mulai dengan memilih menu Analyze, kemudian pilih Linear,

Menu Regresi Linear SPSS

Pilih variabel Y sebagai variabel dependen (terikat) dan X1 sebagai variabel independen
(bebas) lalu klik tombol OK,

Proses Regresi Linear SPSS

Output SPSS akan menampilkan hasil berupa 4 buah tabel yaitu;
1.
2.
3.
4.

Tabel variabel penelitian,

Ringkasan model (model summary),
Tabel Anova, dan
Tabel Koefisien.

Output Regresi Linear SPSS

Cara membaca output spss hasil uji regresi linier tersebut adalah :
1. Tabel pertama menunjukkan variabel apa saja yang diproses, mana yang menjadi
variabel bebas dan variabel terikat.
2. Tabel kedua menampilkan nilai R yang merupakan simbol dari nilai koefisien korelasi.
Pada contoh diatas nilai korelasi adalah 0,342. Nilai ini dapat diinterpretasikan bahwa
hubungan kedua variabel penelitian ada di kategori lemah. Melalui tabel ini juga
diperoleh nilai R Square atau koefisien determinasi (KD) yang menunjukkan seberapa
bagus model regresi yang dibentuk oleh interaksi variabel bebas dan variabel terikat.
Nilai KD yang diperoleh adalah 11,7% yang dapat ditafsirkan bahwa variabel bebas X1
memiliki pengaruh kontribusi sebesar 11,7% terhadap variabel Y dan 88,3% lainnya
dipengaruhi oleh faktor-faktor lain diluar variabel X1.
3. Tabel ketiga digunakan untuk menentukan taraf signifikansi atau linieritas dari regresi.
Kriterianya dapat ditentukan berdasarkan uji F atau uji nilai Signifikansi (Sig.). Cara
yang paling mudah dengan uji Sig., dengan ketentuan, jika Nilai Sig. < 0,05, maka
model regresi adalah linier, dan berlaku sebaliknya. Berdasarkan tabel ketiga, diperoleh
nilai Sig. = 0,140 yang berarti > kriteria signifikan (0,05), dengan demikian model
persamaan regresi berdasarkan data penelitian adalah tidak signifikan artinya, model
regresi linier tidak memenuhi kriteria linieritas.
4. Tabel keempat menginformasikan model persamaan regresi yang diperoleh dengan
koefisien konstanta dan koefisien variabel yang ada di kolom Unstandardized
Coefficients B. Berdasarkan tabel ini diperoleh model persamaan regresi : Y =38,256
+ 0,229 X1.
Agar anda memahami artikel ini, pelajari juga tentang Uji F dan Uji T: "Uji F dan Uji T" dan
"Analisis Regresi Korelasi"

37 comments :

Ca DutaDecember 23, 2013 at 4:40 AM

maaf.. nilai y x1 x2 x3 darimana ya?semisal data dasar yang kita gunakan seperti yang mas
contohkan pada uji validitas&reabilitas, gmn caranya? maklum baru kenal sama variabel help me!
thank's
Reply
Replies
Anwar HidayatDecember 23, 2013 at 11:23 PM

Berasal dari banyak kemungkinan, tentunya tergantung pada definisi operasional anda
Reply
azmie faridaJanuary 5, 2014 at 12:10 PM

mas, mau tanya soal maksud dari angka angka yang ditabel anova itu gmna ya?
saya disuruh dosen saya untuk menambahkan penjelasan maksud dari angka angka pada tabel
anova tsb.

makasih
Reply
Replies
Anwar HidayatJanuary 5, 2014 at 8:38 PM

Istilah mean of squares dalam ANOVA tidak lain adalah rerata kuadrat skor simpangannya yang
menunjukkan variansi suatu distribusi yang diamati. Mean of squares ini diperoleh dari jumlah
kuadrat skor simpanganya atau yang dikenal dengan istilah Sum of Squares dibagi dengan jumlah
sampelnya.
Sum of Squares adalah sebuah teknik statistik yang digunakan dalam analisis regresi . Sum of
Squares adalah pendekatan matematis untuk menentukan penyebaran data points. Dalam analisis
regresi, tujuannya adalah untuk menentukan seberapa baik serangkaian data yang dapat dipasang
ke fungsi yang mungkin membantu menjelaskan bagaimana seri data yang dihasilkan. Sum of
Squares digunakan sebagai cara matematis untuk menemukan fungsi yang paling sesuai dari data.
Ada dua metode analisis regresi yang menggunakan Sum of Squares: metode kuadrat terkecil
linier dan metode kuadrat terkecil non - linear. Kuadrat terkecil mengacu pada fakta bahwa fungsi
regresi meminimalkan jumlah kuadrat dari varians dari titik data aktual.
DF adalah degree of freedom atau derajat kebebasan. Pada uji F, DF 1 adalah jumlah variabel 1, sedangkan DF 2 adalah jumlah sample - jumlah variable.

F adalah nilai F hitung. Nilai ini untuk menjawab hipotesa, jika nilai F hitung > F tabel DF 1 dan
DF 2 tertentu dan probabilitas tertentu, maka keputusan terhadap hipotesa adalah menolak H0.
Sig. adalah nilai P value atau derajat probabilitas hasil pengujian uji F. Pada penelitian dengan
derajat kemaknaan 95% maka nilai Sig < 0,05 berarti ada pengaruh variabel independen terhadap
variabel dependen atau yang berarti menolak H0 dan menerima H1.
muhammad erfanJanuary 23, 2014 at 6:50 AM

assalamualaikum,
pak saya mau bertanya :

1. pak, katanya dalam penghitungan regresi linier berganda, data ordinal harus di intervalkan
dulu ya?

2. yg di intervalkan itu tiap-tiap hasil item pernyataan seperti nilai 5,,4,3,2,1 masing-masing di
intervalkan

3. atau jumlah yang menjawab 5 baru di intervalkan ,4, baru di intervalkan 3 di intervalkan ,2 di
intervalkan , 1 baru di intervalkan (sari variabel x1, misalkan?)

Anwar HidayatJanuary 23, 2014 at 7:07 PM

Apabila satu variabel terdiri dari 1 item soal, maka harus ditransformasi. Jika satu variabel terdiri
dari lebih dari 1 item soal, maka tidak perlu ditransformasi.
Reply
Tri Wahyuni ChristianiApril 14, 2014 at 10:53 PM

Malam Pak.
Saya mau bertanya soalnya lagi bingung banget. Hehhe

Saya melakukan penelitian dengan menggunakan regresi linear sederhana. Setelah saya running
datanya, nilai anova saya diatas 0,05. Apa itu artinya model regresi saya ga bisa di pakai?
Reply
Replies
Anwar HidayatApril 14, 2014 at 11:00 PM

Sig Uji F > 0,05 artinya variabel-variabel bebas tidak terbukti berpengaruh secara bermakna
terhadap variabel terikat. Uji regresi linear adalah upaya mencari atau membentuk model prediksi
prediksi yang terbaik. Maka dengan data anda yang ada, tidak dapat membentuk model prediksi
yang terbaik. Model terbaik adalah model yang bersifat BLUE (Best Linear Unbiased Estimation).
Reply
Tri Wahyuni ChristianiApril 15, 2014 at 9:14 PM

Jadi kira-kira apa ada solusi yang bisa dilakukan utk mengatasi hal tersebut?
Saya meneliti tentang pengaruh intellectual capital terhadap ROA perusahaan.
Reply
Replies
Anwar HidayatApril 16, 2014 at 11:48 AM

Jawabannya adalah menolak H1 dan menerima H0.

Reply
diarekuApril 28, 2014 at 11:06 AM

solusi apa jika menggunakan 40 responden untuk analisanya?regresi linier atau korelasi? buku
refrensi yang dapat saya jadikan refrensi kira kira apa ya mas?
trimaksih
Reply
diarekuApril 28, 2014 at 11:16 AM

kira kira kalau ada 40 responden, analisa apa yang harus saya gunakan?regresi linier sederhana
atau analisa korelasi?variabel saya ada 2.yaitu varibel X dan variabel Y.
trimakasih
Reply
Replies
Anwar HidayatApril 28, 2014 at 12:37 PM

Bila korelasi signifikan, bisa dilanjutkan uji regresi untuk membentuk model prediksi Y.
Reply

deboraMay 19, 2014 at 10:17 PM

Makasih buat ilmunya mas, dah ngerti saya

Reply
fenti berlianaMay 20, 2014 at 2:11 PM

mas, mau tanya soal maksud dari angka-angka yang ditabel coefficient itu gimana ya?
saya disuruh dosen untuk menambahkan penjelasan maksud dari angka-angka pada tabel
coefficient tersebut. thx
Reply
Replies
Anwar HidayatMay 21, 2014 at 12:49 PM

Maksudnya adalah untuk menilai pengaruh dan korelasi parsial masing-masing variabel bebas
terhadap variabel terikat. Nilai t adalah hasil uji t parsial yaitu pengaruh parsial variabel bebas
terhadap variabel terikat. Sig adalah probabilitas dari uji t parsial. Nilai B adalah koefisien, yaitu
besarnya pengaruh parsial variabel bebas. Sedangkan standart error adalah standart error dari nilai
B. Standardized Coefficient adalah nilai B yang memperhatikan standart error. Selebihnya adalah
nilai-nilai koefisien korelasi parsial dan koefisien regresi parsial.
leli aryantiMay 23, 2014 at 3:49 AM

Pak, say udh coba pake sps. Fhitung saya adalah 76,768. Kok besar sekali? Itu karena data saya
yg besar atau memang salah hitung pak? Ftabel nya saya cari sendiri pake rumus dptlah 26,6. Benar
gk itu pak?
Anwar HidayatMay 24, 2014 at 1:00 AM

F Hitung jauh lebih besar f tabel itu biasa. Tapi untuk mengetahui apakah anda salah atau tidak
dalam menghitung, saya tidak bisa tahu sebelum melihat dan menganalisis data anda
Reply
heri keswantoMay 28, 2014 at 5:05 PM

mas, mau nanya kalo ada beberapa pertanyaan yang mewakili 1 variabel independent. Bagiaman
caranya?? apakah saya harus menggabungkan nilai dari 4 pertanyaan tsb, baru saya regresikan
dengan variabel dependent??. kalo contoh yang mas sampaikan, kan satu lawan satu. tks
Reply

Replies
Anwar HidayatMay 28, 2014 at 11:33 PM

Regresi linear itu menguji variabel dengan variabel, jadi bukan item soal dengan item soal. Oleh
karenanya anda harus menggunakan variabel. Apakah variabel itu dibentuk oleh jumlah atau ratarata dari beberapa item soal, itu perkara lain, jadi jangan dimasukkan ke dalam logika uji regresi.
melainkan dalam ranah logika desain penelitian atau lebih tepatnya definisi operasional penelitian
anda.
Reply
heri keswantoMay 30, 2014 at 9:15 AM

ohhh... begitu mas. Terima kasih mas.

Jadi untuk pembentukan variabel yang diwakilkan oleh beberapa pertanyaan itu. Lebih bagus
dengan cara dijumlahkan atau dirata-ratakan mas??? tks
Reply
Replies
Anwar HidayatMay 30, 2014 at 12:05 PM

Sama saja, tapi kalau 1 variabel di jumlahkan ya semua harus dijumlahkan.

Reply
heri keswantoMay 30, 2014 at 1:28 PM

oke terima kasih mas, atas pencerahannya...

Reply
windaJune 3, 2014 at 7:25 AM

mf pak,,kalau Adjusted R negtif apa artinya??

bgaimana cra mnggantinya biar bs postif??
Reply
Replies
Anwar HidayatJune 10, 2014 at 4:23 PM

Artinya variabel-variabel yang anda masukkan ke dalam model regresi, secara simultan tidak
berpengaruh terhadap Variabel Terikat, dan terlalu rendah pengaruhnya sehingga menyebabkan
standart error yang besar. Maka anda harus memilah variabel bebasnya, jadi hanya variabel bebas
yang linear saja yang dimasukkan. dan selanjutnya gunakan metode stepwise.
Reply
Ismi HanniJune 10, 2014 at 9:36 AM

Pagi Mas,
saya mau tanya, apa hasil dari penelitian regresi linear berganda harus sama dengan hasil uji T?
Karena hasil penelitan regresi linear berganda, penelitian saya memiliki 7 variabel independen dan
beberapa variabel independen berpengaruh signifikan terhadap variabel dependennya, tetapi
setelah uji T, hanya 2 variabel saja yang berpengaruh signifikan terhadap variabel dependennya.
yang saya bingungkan, saya melihat dibeberapa referensi skripsi hasil dari regresi linear berganda
sama dengan hasil uji T, tapi mengapa hasil pengujian dari data saya berbeda? Mohon
penjelasannya.

Regards,
Hanni
Reply
Replies
Anwar HidayatJune 10, 2014 at 4:54 PM

Yang anda maksud adalah t parsial. Uji Regresi Linear berganda menampilkan banyak uji, antara
lain: uji t, F, R, R Square, Adjusted R Square, Koefisien Beta, dll.
Reply
Panji PrimaJune 11, 2014 at 3:34 PM

sore pak,
saya mau tanya, saya menggunakan penelitian satu variabel bila menggunakan spss apa saja yang
di perlukan dalam perhitungannya selain regresi sederahana???
Reply
Replies
Anwar HidayatJune 12, 2014 at 10:29 PM

Asumsi klasiknya. Baca artikel-artikel saya tentang asumsi klasik regresi linear: normalitas,
homoskedastisitas, autokorelasi, linearitas dan multikolinearitas.
alank lzrJune 21, 2014 at 9:31 PM

bagaimana kalau 2 variabel tapi x ada satu dan y ada tiga?

mohon bantuannya?
Anwar HidayatJune 28, 2014 at 8:14 PM

Maksud anda 4 variabel, yaitu x, y1, y2 dan y3. Anda bisa menggunakan uji Multivariate
Regression dan menggunakan aplikasi STATA
Reply
jeva tobaJune 19, 2014 at 10:04 AM

mas.. mau tanya.. penelitian saya menggunakan 2 variabel bebas namun menggunakan regresi
sederhana.. diperbolehkan atau tidak.. kemudian bagaimana saya melakukan uji linieritas apabila
hasilnya tidak linier? akan berpengaruh ke mana nantinya ?
Reply
Replies
Anwar HidayatJune 28, 2014 at 8:12 PM

Boleh, tetapi ada 2 regresi linear sederhana, yaitu model X1 terhadap Y dan model x2 terhadap
y. Jika tidak linear, bisa ditingkatkan linearitasnya dengan transformasi atau variabel yang tidak
linear dikeluarkan dari model
Reply
Erna FitriyaniJuly 10, 2014 at 10:24 PM

maaf saya ingin tanya, jika data yang digunakan ordinal apa bisa menggunakan teknik analisis
regresi linear sederhana dan regresi linear ganda? terima kasih
Reply
Replies
Anwar HidayatJuly 16, 2014 at 10:03 PM

Tidak bisa dan sebaiknya gunakan uji regresi ordinal

Reply
AnonymousDecember 4, 2014 at 1:37 AM

Mas, mau numpang tanya..kalo hasil F test lebih bsar dr 0.05 itu kn berarti semua variabel bebas
tdk berpengaruh thd variabel terikat, tapi dlm uji t ada 1 yg berpengaruh, itu bagaimana ya? Apakah
ada cara untuk mengatasi? Tolong dibantu :) terima kasih
Reply
Replies
Anwar HidayatDecember 6, 2014 at 10:02 PM

Ya betul, berarti secara bersama-sama semua variabel bebas tidak memberikan pengaruh yang
bermakna, tapi dalam uji t sebagai uji parsial, bisa jadi ada 1 atau lebih variabel yang berpengaruh
secara parsial.