ANALISA REGRESI DAN KORELASI

Disusun guna memenuhi tugas mata kuliah Statistika

Nanda Itohasi Gutami

21090115130117

Departemen Teknik Perkapalan

Fakultas Teknik
Universitas Diponegoro
Semarang
2017
Pengertian Analisis Regresi Korelasi Dan Cara Hitung

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.

Bentuk Hubungan Variabel Bebas dan Terikat

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.

Persamaan Regresi

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:

Contoh Persamaan
Regresi

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

Dalam bentuk matrik bisa kita buat persaman sebagai berikut:

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.

Penulisan pengamatan

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 Perhitungan Regresi

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 Banyak Jenisnya

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.

Korelasi
Dalam teori probabilitas dan statistika, korelasi, juga disebut koefisien korelasi, adalah
nilai yang menunjukkan kekuatan dan arah hubungan linier antara dua peubah acak (random
variable).

Koefisien korelasi
Korelasi Tanpa Tak ada korelasi Tanpa Korel
Tinggi Rendah Rendah Rendah Rendah Tinggi
tinggi korelasi (acak) korelasi tinggi
-1 <-0.9 >-0.9 <-0.4 >-0.4 0 <+0.4 >+0.4 <+0.9 >+0.9 .+1

Salah satu jenis korelasi yang paling populer adalah koefisien korelasi momen-produk
Pearson, yang diperoleh dengan membagi kovarians kedua variabel dengan
perkalian simpangan bakunya. Meski memiliki nama Pearson, metode ini pertama kali
diperkenalkan oleh Francis Galton.
Korelasi linier antara 1000 pasang pengamatan. Data digambarkan pada bagian kiri bawah
dan koefisien korelasinya ditunjukkan pada bagian kanan atas. Setiap titik pengamatan
berkorelasi maksimum dengan dirinya sendiri, sebagaimana ditunjukkan pada diagonal
(seluruh korelasi = +1).

Korelasi X, Y antara dua peubah acak X dan Y dengan nilai yang diharapkan X dan
Y dan simpangan baku X dan Y didefinisikan sebagai:

Karena X = E(X), X2 = E(X2) E2(X) dan demikian pula untuk Y, maka dapat pula ditulis

Korelasi dapat dihitung bila simpangan baku finit dan keduanya tidak sama dengan nol.
Dalam pembuktian ketidaksamaan Cauchy-Schwarz, koefisien korelasi tak akan
melebihi dari 1 dalam nilai absolut. Korelasi bernilai 1 jika terdapat hubungan linier yang
positif, bernilai -1 jika terdapat hubungan linier yang negatif, dan antara -1 dan +1 yang
menunjukkan tingkat dependensi linier antara dua variabel. Semakin dekat dengan -1 atau +1,
semakin kuat korelasi antara kedua variabel tersebut.
Jika variabel-variabel tersebut saling bebas, nilai korelasi sama dengan 0. Namun tidak
demikian untuk kebalikannya, karena koefisien korelasi hanya
mendeteksi ketergantungan linier antara kedua variabel. Misalnya, peubah
acak X berdistribusi uniform pada interval antara -1 dan +1, dan Y = X2. Dengan demikian
nilai Y ditentukan sepenuhnya oleh X.

Koefisien korelasi non-parametrik

Koefisien korelasi Pearson merupakan statistik parametrik, dan ia kurang begitu

menggambarkan korelasi bila asumsi dasar normalitas suatu data dilanggar. Metode
korelasi non-parametrik seperti Spearman and Kendall berguna ketika distribusi tidak
normal. Koefisien korelasi non-parametrik masih kurang kuat bila dibandingkan dengan
metode parametrik jika asumsi normalitas data terpenuhi, namun cenderung memberikan
hasil distrosi ketika asumsi tersebut tak terpenuhi.

KOEFISIEN PENENTU (KP) atau KOEFISIEN DETERMINASI

(R2)
Jika Koefisiensi Korelasi dikuadratkan akan menjadi koefisiensi penentu (KP) atau
Koefisiensi Determinasi, yang artinya penyebab perubahan pada variable Y yang dating dari
variable X, sebesar kuadrat Koefisien Korelasinya.

Koefisien Penentu ini menjelaskan besarnya pengaruh nilai suatu variable (variable X)
terhadap naik / turunnya (variasi) nilai variable lainnya (variable Y).

Koefisiensi Penentu dirumuskan :

[ (n) (XY) (X) (Y) ]2

______________________________________________
KP =

[ n (X2) (X)2 ] [ n (Y2) (Y)2 ]

Contoh 1 :

ApabilaX = Pendapatan (puluhanribu rupiah)

Y = Konsumsi (puluhanribu rupiah)

X 40 55 6 7 8 9 12
0 5 7 5 0

Y 25 40 5 5 6 7 90
0 5 5 3

Hitung koefisisen determinasinya dan apa artinya!

Jawab :
 X Y X2 Y2 XY

40 25 1.600 625 1.000

55 40 3.025 1.600 2.200

60 50 3.600 2.500 3.000

75 55 5.626 3.025 4.125

87 65 7.569 4.225 5.655

95 73 9.025 5.329 6.935

12 90 14.40 8.100 10.80

0 0 0

53 39 44.84 25.40 33.71

2 8 4 4 5

{(n)(XY) (X)(Y)}2
__________________________________________
KP =

[n(X2) (X)2][n(Y2) (Y)2]

{(7)(33.715) (532)(398)}2
________________________________________________
KP =

[7(44.844) (532)2][7(25.404) (398)2]

{236.005 211.736}2
_________________________________________________
=

[313.908 283.024][177.828 158.404]

588.984.361

= ____________________

599.890.816

= 0,982
 Jadi KP = 0,982 (98,2%) artinya sumbangan / pengaruh pendapatan terhadap konsumsia
dalah 98,2%.

Contoh 2 :

X 65 63 67 64 68 62 70 66 68 67

Y 68 64 69 65 67 66 68 65 70 67

Tentukan :

a. Gambarkan diagram pencar!

b. Cari koefisien korelasi dan jelaskan artinya!

c. Car ikoefisian penentu dan jelaskan artinya!

Jawab :

a.
b.

X Y X2 Y2 XY

65 68 4.225 4.624 4.420

63 64 3.969 4.096 4.032

67 69 4.489 4.761 4.623

64 65 4.096 4.225 4.160

68 67 4.624 4.489 4.556

62 66 3.844 4.356 4.092

70 78 4.900 4.624 4.760

66 65 4.356 4.223 4.290

68 70 4.624 4.900 4.760

67 67 4.489 4.489 4.489

660 669 43.688 44.789 44.182

n (XY) (X) (Y)

r(KK) = ___________________________________________

(n (X2) (X)2) (n (Y2) (Y)2)

10 (44.182) (660) (669)

= ________________________________________________________

(10 (43.618) (660)2) (10 (44.789) (669)2)

441.820 441.540

= _____________________________________________________

(436.180 435.600) (447.890 447.561)

 280
_________________
=

(580) (329)

280
____________
=

190.820

280
___________
=

436,8295

= 0,641

Artinya korelasi positif.,rendah

c.

[ (n) (XY) (X) (Y) ]2

______________________________________________
KP =

[ n (X2) (X)2 ] [ n (Y2) (Y)2 ]

[ 10 (44.182) (660) (669) ]2

________________________________________________________
=

[ 10 (43.618) (660)2] [ 10 (44.789) (669)2 ]

[ 280 ]2
______________
=

[ 190.820 ]
 78.400
_________
=

190.820

= 0,411

Jadi KP = 0,411 (41,1%) artinya pengaruh X terhadap Y adalah 41,1%.