PENGERTIAN REGRESI & KORELASI LINIER

SEDERHANA
Regresi merupakan suatu alat ukur yang juga dapat digunakan untuk mengukur ada atau tidaknya
korelasi antarvariabel. Jika kita memiliki dua buah variabel atau lebih maka sudah selayaknya apabila
kita ingin mempelajari bagaimana variabel-variabel itu berhubungan atau dapat diramalkan.

Analisis regresi mempelajari hubungan yang diperoleh dinyatakan dalam persamaan matematika
yang menyatakan hubungan fungsional antara variabel-variabel. Hubungan fungsional antara satu
variabel prediktor dengan satu variabel kriterium disebut analisis regresi sederhana (tunggal),
sedangkan hubungan fungsional yang lebih dari satu variabel disebut analisis regresi ganda.

Analisis regresi lebih akurat dalam melakukan analisis korelasi, karena pada analisis itu kesulitan
dalam menunjukkan slop (tingkat perubahan suatu variabel terhadap variabel lainnya dapat
ditentukan). Dengan demikian maka melalui analisis regresi, peramalan nilai variabel terikat pada nilai
variabel bebas lebih akurat pula.

Persamaan Regresi Linier dari Y terhadap X

Persamaan regresi linier dari Y terhadap X dirumuskan sebagai berikut:

Y=a+bX

Keterangan:
Y = variabel terikat
X = variabel bebas
a = intersep
b = koefisien regresi/slop

Pada persamaan tersebut di atas, nilai a dan b dapat ditentukan dengan cara sebagai berikut:
rumus regresi sederhana
Contoh latihan soal regresi sederhana
Berikut ini adalah data pengalaman kerja dan omzet penjualan dari 8 marketing pada PT Bang Toyib
Gak Pulang-pulang

contoh latihan soal regresi sederhana

Pertanyaan: 1. Tentukan nilai a dan b ! 2. Buatkan persamaan garis regresinya ! 3. Berapa perkiraan
omzet penjualan dari seorang marketing yang memiliki pengalaman kerjanya 3,5 tahun?
Penyelesaian:
tabel penolong regresiregresi linier sederhana
Dijawab:

1. nilai a = 3,25 dan b = 1,25

2. Persamaan regresi liniernya adalah

Y = a + bX
= 3,25 + 1,25X

1. Nilai duga Y , jika X = 3,5

Y = a + bX
= 3,25 + 1,25X
= 3,25 + 1,25 (3,5)
= 7,625
sumber : http://id.wikipedia.org/wiki/Regresi_Linier_Sederhana

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

Koefisien korelasi

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

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.

Koefisien korelasi momen-produk Pearson

Sifat-sifat matematis

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 dansimpangan 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 dalamnilai
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 linierantara
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, danY = 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.

sumber : http://id.wikipedia.org/wiki/Korelasi
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 ]

Contoh1 :
ApabilaX = Pendapatan (puluhanribu rupiah)
Y = Konsumsi (puluhanribu rupiah)
X 40 55 60 75 87 95 120
Y 25 40 50 55 65 73 90
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
120 90 14.400 8.100 10.800
532 398 44.844 25.404 33.715

{(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%.

Contoh2 :
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%