1.

KORELASI DAN REGRESI

Untuk mengetahui hubungan suatu kejadian atau variabel dengan kejadian atau variabel
yang lain digunakan teknik analisis yang disebut korelasi. analisis korelasi ini akan
menghasilkan ukuran yang disebut koefisien korelasi yang disimbolkan dengan tanda "r"
(rho), koefisien korelasi menunjukkan seberapa kuat hubungan antar variabel thd variabel
yang lain. alat analisis yang digunakan adalah analisis regresi, hasil analisis regresi berupa
persamaan matematik atau persamaan regresi yang merupakan fungsi untuk memprediksi
niali atau harga suatu variabel dengan menggunakan niali variabel yang lain.

contoh regresi sederhana, berikut adalah data tentang nilai impor dalam triliun dan pendapatan
nasional dalam triliun selam 10 tahun

Tabel nilai impor dan pendapatan nasional

Tahun Nilai Impor Pendapatan r (rho)

Nasional
1 11,6 331
2 12,9 351
3 13,4 366
4 13,5 368
5 15,7 400
6 15,1 414
7 14,8 427
8 16,5 458
9 17,2 482
10 18,9 517
Dari data tersebut lakukan analisis korelasi dan regresi untuk menentukan :

a. Persamaan regresi dan prediksi pndapatan nasional jika nilai impor 16 triliun.

b. Koefisien korelasi dan koefisien determinasi dan serta jelaskan apa maksutnya.

Jawab :

Analisis korelasi => hasil : koefisien korelasi (r)

koefisien determinasi (r2)

Analisis regresi => hasil : persamaan regresi misal y = a + bx x : variabel bebas

y : variabel terikat

r=1 adalah hubungan antara variabel sempurna 0,6 <R<1

0 <R<0,6 adalah hubungan antara variabel lemah
R=0 adalah tidak ada hubungan antar variabel
R = -1 adalah hubungan antara variabel negatif sempurna
R = -1< R < -0,6 adalah hubungan negatif kuat/sangat kuat
-0,6<R<0 adalah hubungan negatif lemah
Perhitungan statistik

SUMMARY
OUTPUT
Regression Statistics
Multiple R 0,974177
R Square 0,949022
Adjusted R 0,942649
Square
Standard 14,44497
Error
Observation 10
s
ANOVA
df SS MS F Significanc
eF
Regression 1 31075,14 31075,14 148,929 1,89E-06
1
Residual 8 1669,258 208,6572
Total 9 32744,4
Coefficient Standard t Stat P-value Lower 95% Upper Lower Upper 95,0
s Error 95% 95,0%
Intercept 8,68383 33,31429 0,260664 0,800936 -68,1391 85,5067 -68,1391 85,5
3
Nilai Import 26,93754 2,207334 12,20365 1,89E-06 21,84742 32,0276 21,8474 32,0
6 2

a.) persamaan regresi y += a+ bx

y = a + bx = 8,68 + 26,94 x
x = nilai impor
y = pendapatan nasional
x = 16, maka y = 8,68 + 26,94 . 16 = 439,72

jadi jika nilai impor 16 triliun maka diprediksi pendapatan nasional 439,72 triliun.

b) Koefisien korelasi R = 0,974 , ini menunjukkan bahwa hubungan antara nilai impor
dengan pendapatan nasional sangat kuat koefisien determinasi r2 = 0,942 = 94,2 %

Hal ini menunjukkan bahwa 94,9 % variasi/ perubahan pendapatan nasional dapat
dijelaskan/dipengaruhi oleh nilai impor. Sedangkan yang 5,1% dipengaruhi variabel atau
factor yang lain.
2. Regresi Linier berganda
Contoh soal :
sebuah perusahaan ingin memperkerjakan mahasiswa PTN sebagai tenaga lepas. untuk
melakukan perekrutan tsb perusahaan melakukan 2 test intelegency. Berdasarkan tes
tersebut perusahaan merekrut 10 orang. Sebelum memulai pekerjaan perusahaan
melakukan training terhadap ke 10 mahasiswa tersebut kemudian pada akhir training
diadakan rating oleh komite perusahaan. hasil peringkat tes intelegency ditunjukkan pada
tabel berikut.

Mahasisw skor tes 1 skor tes 2 peringka

a t
1 74 40 91
2 59 41 72
3 83 45 95
4 76 43 90
5 69 40 82
6 88 47 98
7 71 37 80
8 69 36 75
9 61 34 74
10 70 37 79

Dari data tersebut lakukan analisis korelasi dan regresi untuk menetukan
a) Persamaan regresi dan prediksi peringkat mahasiswa jika nilai skor tes
b) pertama
koefisien 80 dan nilai
korelasi danskor tes keduaserta
determinasi 45 jelaskan apa maksudnya ?

Jawab :
Perhitungan statistik

SUMMARY
OUTPUT
Regression
Statistics
Multiple R 0,953467

R Square 0,909099

Adjusted R 0,883127
Square
Standard 3,162955
Error
Observation 10
s
ANOVA

Df SS MS F Significanc
eF
Regression 2 700,37 350,185 35,0034 0,000226
9
Residual 7 70,0300 10,0042
1 9
Total 9 770,4

Coefficien Standard t Stat P-value Lower 95% Upper Lower Upper

ts Error 95% 95,0% 95,0%
Intercept 5,383857 10,30941 0,522227 0,617626 -18,994 29,7617 -18,994 29,761734
3
skor tes 1 0,790585 0,184355 4,288374 0,003618 0,354654 1,22651 0,35465 1,2265159
6 4 8
skor tes 2 0,532351 0,395844 1,344849 0,220614 -0,40367 1,46837 - 1,4683744
4 0,40367

a) persamaan regresi y = a + bx1 + bx2

x1 = nilai tes 1
x2 = nilai tes 2
y = peringkat mahasiswa
y = 5,38 + 0,79.x1 + 0,53.x2
Untuk => x1 = 80 dan x2 = 45
y = 5,38 + 0,79 . 80 + 0,53 . 45 = 92

jadi untuk nilai tes 1 = 80 dan nilai tes 2 = 45, prediksi peringkat mahasiswa adalah 92

b) koefisien regresi R = 0,95, ini berarti hubungan antara variabel nilai

tes 1 dan nilai
koefisien tes 2 dengan
determinasi R" =variaebel peringkat mahasiswa sangat kuat
0,883 = 88,3%
ini dapat diartikan bahwa peringkat mhs dapat dijelaskan/dipengaruhi oleh variabel nilai
tes 1 dan tes 2, sedangkan 11,7% dipengaruhi oleh variabel yang lain.
3. Regresi Desmeni(Regresi Dummy)
Contoh soal :
a) manager perusahaan ingin mengetaui apakah ada pengaruh antara gaji yang diberikan
oleh perusahaan kepada salesman dengan jenis kelamin salesman.

jenis kelamin (x) gaji salesman (y) dalam

Rp
Laki Laki 100.000
Laki Laki 100.000
Laki Laki 100.000
Laki Laki 80.000
Laki Laki 80.000
wanita 40.000
wanita 50.000
wanita 30.000
wanita 40.000

Jawab :
Perhitungan statistik

Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients

B Std. Error Beta

1 (Constant) 144000,000 10099,505 14,258 ,000

Jenis Kelamin -52000,000 6611,678 -,948 -7,865 ,000

a. Dependent Variable: Gaji Salesman

y = a + bx
y = 144000 - 52000x
x = 1 , maka y = 144000-52000 = 92000
x = 2 , maka y = 144000-52000.2 = 4000
jadi rata rata gaji salesman wanita Rp. 40.000,00 dan laki laki Rp. 92.000,00
 b) Berikut adalah data penjualan untuk masing masing kuartal selama 4 tahun

tahun kuartal penjuala

n
2010 1 978
2 1123
3 1125
4 1260
2011 1 1121
2 1275
3 1257
4 1381
2012 1 1172
2 1368
3 1382
4 1454
2013 1 1260
2 1462
3 1480
4 1520

Dari data tersebut buatlah persamaan regresi untuk mmprediksi hasil penjualan .

Jawab :
Perhitungan statistik

Coefficientsa
Model Unstandardized Coefficients Standardized t Sig.
Coefficients

B Std. Error Beta

1 (Constant) 1084,375 78,973 13,731 ,000

Kuartal 81,700 28,837 ,604 2,833 ,013

a. Dependent Variable: penjualan

pers. Regresi : y = a + bx = 1084,375 + 81,7x

x = 1, maka y = 1084,375 + 81,7.1 = 1166,075
x = 2, maka y = 1084,375 + 81,7.2 = 1247,775
x = 3, maka y = 1084,375 + 81,7.3 = 1329,475
x = 4, maka y = 1084,375 + 81,7.4 = 1411,175
Jawab :
Merumuska
n masalah
4. Korelasi
(hipotesis)
Ho : tidak
1. Data hubungan
nominal antara: uji
(kualitatif) jenis kelamin
koefisien dan sikap
crames lambdamakanan terhadap produk makanan
ha : ada hubungan antara jenis kelamin
Analisize - Deskriptif statistik crostabdan sikap makanan terhadap produk makanan
sig < 0,05 => Ho ditolak atau
sig >Uji0,05 => Ho
chi-square
diterima
Analyze - Deskriptif statistik Crostab
Statistik - chi - square
2. Data ordinal (kuantitatif) : Uji korelasi hendall-tan
Analyze- Corelate- Bivariate
3. Data rasio (kuantitatif) : Uji korelasi pearson
Analyze- Corelate- Bivariate Pearson

a) Data Nominal ( Kualitatif )

Contoh Soal :
berikut data jenis keamin konsumen dan sikap konsumen terhadap produk makanan.
No jenis kelamin sikap konsumen
1 1 4
2 1 4
3 2 3
4 1 3
5 2 1
6 2 2
7 2 3
8 1 2
9 1 3
10 1 4
11 2 2
12 1 3
13 2 3
14 1 4
15 2 1
16 2 3
17 2 1
18 1 2
19 2 3
20 1 4
ket : 1 = lak laki 2 = prempuan
sikap konsumen : 1 = tidak puas, 2 = kurang puas, 3 = puas, 4 = sangat puas

Perhitungan statistik

Symmetric Measures
Value Approx.
Sig.
Nominal by Nominal Phi ,652 ,037
 Cramer's V ,652 ,037
Contingency ,546 ,037
Coefficient
N of Valid Cases 20
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.

karena sig = 0,037 < = 0,05, maka Ho ditolak. Artinya ada hubungan antara
jenis kelamin dengan sikap konsumen terhadap produk makanan. dng kata lain
 b) Data Ordinal ( Kuatitatif )
pendidika pemahaman
n karyawan
Berikut data antara pendidikan karyawan
5 2
dan 3 3
pemahaman karyawan terhadap peralatan
di 3 4 suatu perusahaan.
3 3
3 3
3 3
6 3
5 3
3 4
3 4
3 3
5 3
6 3
3 4
3 4
3 4
Permasalahan : apakah ada
3 3
hubungan antara
3 4
3 3
pendidikan karyawan
1 4
dengan pemahaman alat
3 4 alat di instansi tempat
1 3 karywan tersebut bekerja.
3 4
Jawab :
5 3
Perumusan masalah / hipotesis
3 4
Ho : tidak ada hubungan antara pendidikan karyawan dengan pemahamannya
3 4
terhadap alat alat.
3 3
Ha : ada hubungan antara pendidikan karyawan dengan pemahamannya terhadap alat
alat. 6 2
6 1
2 3 Perhitungan statistik
3 3
3 3
3 2
Correlations
3 2 pendidika pemahaman
3 3 n karyawan
2 3
Kendall's Pendidikan Correlation 1,000 -,272*
3 3
tau_b Coefficient
6 2
Sig. (2-tailed) . ,031
3 4
N 50 50
6 2
pemahaman
6 karyawan Correlation
2 -,272* 1,000

3 Coefficient
3
3 3 (2-tailed)
Sig. ,031 .
3 N4 50 50
7 3
*. Correlation is significant at the 0.05 level (2-tailed).
6 3
2 2
2 2
6 3
3 2
 Kesimpulan :

karena sig = 0,031 < = 0,05, maka Ho ditolak, akhirnya ada hubungan antara
pendidikan Karyawan dengan pemahamannya terhadap alat alat di instansi
tempat karyawan tersebut bekerja.

kenapa kok negatif?

(c) Data makin tinggi pendidikan makin tinggi Ratio ( Kuantitatif)
data bebas/tidak bebas
diket : data biaya iklan (x) dan hasil penjualan
data bebas = ada hubungannya
(y) seperti tabel berikut
tidak bebas = tidak saling mempengaruhi
No x y
1 50 1000
2 80 1800
3 20 500
4 90 1800
5 10 300
6 80 1500
7 10 400
8 80 1600
9 20 700
10 50 1200
11 90 2000
12 20 600
ujilah seberapa kuat biaya iklan mempengaruhi hasil penjualan.

Jawab :

Ho : tidak ada hubunganaAntara biaya iklan denga hasil penjualan

Ha : ada hubungan antra biaya iklan dengan hasil penjualan

Perhitungan statistik

Correlations
Biaya Hasil
Iklan Penjualan
Biaya Iklan Pearson Correlation 1 ,985**
Sig. (2-tailed) ,000
N 12 12
**
Hasil Penjualan Pearson Correlation ,985 1
Sig. (2-tailed) ,000
N 12 12
**. Correlation is significant at the 0.01 level (2-tailed).

Kesimpulan :
Karena sig = 0,00 < = 0,05 , maka Ho ditolak dengan kata lain ada hubungan antara
biaya iklan dengan hasil penjualan. Koefisien korelasi T = 0,985 , ini menunjukkan
bahwa biaya iklan sangat kuat pengaruhnya terhadap hasil penjualan.
5. Uji Normalitas dari Linearitas Data
Uji normalitaistrs ters diguakan untuk mengetahui apakah data terdistribusi normal
atau tidak. Penggunaan uji nrmalitas karne pada analisis statistik parametrik asumsi yang
harus dimiliki oleh data bahwa data tersebut terdistribusi secara normal maksudnya data
memusat pada nilai rata rata dan medien. analisis parametrik seperti korelasi pearson
mensyaratkan bahwa data harus terdistribusi normal. uji normalitas data dpt diuji dengan :

Kolmogorov - smirnov - analyze - non parametrik test - legacy dialogs - 1 sample KS

Kesimpulan / hipotesis
sig > 0,05 => data berdistribusi normal.
sig < 0,05 => data tidak berdistribusi normal

Sedangkan uji linearitas bertujuan untuk mengetahui apakah dua variabel yang akan
dikenai prsedur analisis statistik korelasional menunjukkan hubungan yang linear atau
tidak.
Uji linearitas : analyze - compermeans - means - options - test for linearitas
Kesimpulan :

pada deviation from linearitas : sig > 0,05 => data linear
sig < 0,05 => tidak linear
Contoh soal :
ujilah data berikut apakah berditribusi normal atau tidak dan linear atau tidak

No berat badan (kg) (x) Tinggi badan (cm) (y)

1 54 160
2 44 165
3 34 150
4 43 160
5 65 160
6 56 164
7 54 165
8 53 170
9 44 155
10 47 158
11 62 175
12 72 180
13 64 160
14 59 175
15 55 155
16 50 157
17 60 160
18 65 160
19 54 160
20 52 155

Jawab :
 ANOVA Table
Sum of df Mean F Sig.
Squares Square
Tinggi merumuskan
Betweenhipotesis
(Combined) 1040,533 15 69,369 4,162 ,089
Badanho
* : data linear Linearity
Groups 372,816 1 372,816 22,369 ,009
Berat ha : data tidak linear
Deviation 667,717 14 47,694 2,862 ,160
Badan from
Linearity
One-Sample Kolmogorov-Smirnov Test
Within Groups 66,667
Berat 4 16,667
Tinggi
Total 1107,200
Badan 19 Badan
N 20 20
Normal Parametersa,b Mean 54,35 162,20
Std. 9,132 7,634
Deviation
Most Extreme Absolute ,098 ,263
Differences Positive ,078 ,263
Negative -,098 -,123
Kolmogorov-Smirnov Z ,440 1,178
Asymp. Sig. (2-tailed) ,990 ,125
a. Test distribution is Normal.
b. Calculated from data.

Kesimpulan :
Normalitas => Untuk berat badan
Karena sig = 0,99 > 0,05 , maka data berdistribusi normal
Untuk tinggi badan
Karena sig = 0,125 > 0,05 , maka data berdistribusi normal

Karena Sig = 0,16 > 0,05 , maka data tersebut linear. Dengan kata lain berat badan dan tinggi
badan berkolerasi linear