STATISTIKA

ANALISIS
KORELASI DAN
REGRESI

NAMA ANGGOTA :
M. JAELANI DAHLAN
NING BAIZURA S.
NYIMAS T. M.
RIANTINO OKTOPRIMA
KELAS : 1 SIPIL 2 SIANG
 ANALISIS KORELASI DAN REGRESI

Para mahasiswa tingkat awal yang mempelajari Statistika seringkali bingung dengan
dua istilah ini, “analisis korelasi” dan “analisis reegresi”. Kebingungannya berkisar kepada
fungsi kedua alat analisis, apakah fungsinya sama atau beda ? kalau beda, kapan kita
menggunakan analisis korelasi dan kapan dan pada situasi bagaimana kita menggunakan
analisis regresi. Berikut ini akan dijelaskan perbedaan kedua alat analisis tersebut.

Tujuan analsisi korelasi adalah ingin mengetahui apakah ada hubungan antara dua
variabel atau lebih ? Sedangkan tujuan analisis regresi adalah untuk memprediksi seberapa
jauh pengaruh yang ada tersebut (yang telah dianalisis melalui analisis korelasi).

Misalnya, dengan analisis korelasi ingin diketahui apakah ada hubungan antara
prestasi dengan motivasi dan minat? Bila melalui analisis korelasi terbukti bahwa ada
hubungan diantara kedua variabel tersebut, maka analisis regresi akan memperkirakan jika
jumlah motivasi dinaikan sekian ribu jumlahnya maka tingkat prestasi akan seperti apa
terjadinya, maka analisis regresi menguji ada – tidaknya hubungan antar dua variabel atau
lebih.

Sebelum kita membahas tentang korelasi dan regresi, alangkah baiknya kita
mengetahui apa perngertian dari korelasi dan regresi.

Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi / hubungan (measures of association). Pengakuan asosiasi merupakan
istilah umum yang mengacu pada sekelompok teknik dalam statistic bivariate yang di
gunnakan untuk mengukur kekuatan hubungan antara dua variabel. Diantara sekian banyak
teknik-teknik pengukuran asosiasi terdapat dua teknik korelasi yang sangat popular sampai
sekarang, yaitu Korelasi Pearson Product Moment dan Korelasi Rank Spearman. Pengukuran
asosiasi mengenakan nilai numerik untuk mengetahui tingkatan asosiasi atau kekuatan
hubungan antara variabel. Dua variabel dikatakan berasosiasi jika perilaku variabel yang satu
mempengaruhi variabel yang lain. Jika tidak terjadi pengaruh, maka kedua variabel tersebut
disebut independen.

Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variabel atau
lebih dengan skala-skala tertentu, misanya pearson data harus bersekala interval atau rasio.
Spearman dan Kendal menggunakan skala ordinal. Kuat lemahnya hubungan di ukur
menggunakan jarak (range) 0 sampai dengan 1. Korelasi mempunyai kemungkinan pengujian
hipotesis dua arah (two tailed). Dikatakan korelasi searah jika koefesien korelasi ditemukan
positif, sebalikanya jika koefisien korelasinya ditemukan negative maka di katakana korelasi
tidak searah.

Yang dimaksud koefesien korelasi ialah suatu pengukuran statistic kovariasi atau
asosiasi antara dua variabel. Jika koefesian korelasi diketemukan tidak sama dengan nol (0),
maka terdapat hubungan antara dua variabel tersebut. Jika koefesien diketemukan +1, maka
hubungan tersebut disebut hubungan korelasi sempurna atau hubungan linear sempurna
dengan emiringan (slope) positif. Sebalikanya, jika koefesien diketemukan -1, maka
hubungan tersebut disebut hubungan korelasi sempurna atau hubungan linear sempurna
dengan kemiringan (slope) negatif.

Berikut beberapa macam korelasi, seperti :

 Korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui keeratan

hubungan antara dua variabel dan untuk mengetahui arah hubungan yang terjadi.
Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang terjadi
antara dua variabel. Dalam SPSS ada tiga metode korelasi sederhana (bivariate
correlation) diantaranya Pearson Correlation, Kendall’s tau-b, dan Spearman
Correlation. Pearson Correlation digunakan untuk data berskala interval atau rasio,
sedangkan Kendall’s tau-b, dan Spearman Correlation lebih cocok untuk data berskala
ordinal.

Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi koefisien korelasi

sebagai berikut:
0,00 - 0,199 = sangat rendah
0,20 - 0,399 = rendah
0,40 - 0,599 = sedang
0,60 - 0,799 = kuat
0,80 - 1,000 = sangat kuat

 Korelasi Parsial merupakan korelasi antara dua variabel ketika pengaruh dari satu atau
lebih variabel yang berhubungan yang berperan sebagai variabel ketiga dikendalikan
atau diparsialkan. Tujuannya ialah untuk memperoleh varian unik dalam hubungan
antare kedua variabel yang dikorelasikan dan menghilangkan varian variabel ketiga
yang dapat berpengaruh terhadap hubungan kedua variabel tersebut. vasiavel yang
diteliti harus kontinus dan bersekala interval. Hubungan antar bvariabel bersifat linier
dan data harus berdistribusi normal. Korelasi parsal hanya digunakan jika variabel
ketiga mempunyai keterkaitan dengan salah satu variabel yang kita korelasikan.

Regresi, istilah regresi pertama kali dalam konsep statistik digunakan oleh Sir Francis
Galton dimana yang bersangkutan melakukan kajian yang menunjukkan bahwa tinggi badan
anak-anak yang dilahirkan dari para orang tua yang tinggi cenderung bergerak (regress)
kearah ketinggian rata-rata populasi secara keseluruhan. Galton memperkenalkan kata regresi
(regression) sebagai nama proses umum untuk memprediksi satu variabel, yaitu tinggi badan
anak dengan menggunakan variabel lain, yaitu tinggi badan orang tua. Pada perkembangan
berikutnya hukum Galton mengenai regresi ini ditegaskan lagi oleh Karl Pearson dengan
menggunakan data lebih dari seribu. Pada perkembangan berikutnya, para ahli statistik
menambahkan isitilah regresi berganda (multiple regression) untuk menggambarkan proses
dimana beberapa variabel digunakan untuk memprediksi satu variabel lainnya.
DATA

Berdasarkan data pada tabel di atas dan setelah di olah menggunakan aplikasi SPSS di
dapatkan hasil sebagai berikut :

KORELASI :
 KORELASI BIVARIATE
Correlations
Y X1 X2
Y Pearson Correlation 1 .756** .908**
Sig. (2-tailed) .004 .000
N 12 12 12
X1 Pearson Correlation .756** 1 .786**
Sig. (2-tailed) .004 .002
N 12 12 12
X2 Pearson Correlation .908** .786** 1
Sig. (2-tailed) .000 .002
N 12 12 12
**. Correlation is significant at the 0.01 level (2-tailed).
Bivariate berguna untuk mencari pengaruh X1 dan X2 masing-masing terhadap Y
Koefisien korelasi menyatakan hubungan antar variable dependent dan independent
Koefisien korelasi Y dengan X1= 0.756 menyatakan hubungan variabel Y dengan X1 kuat
Koefisien korelasi Y dengan X2 = 0.908 menyatakan hubungan variabel Y dengan X2 sangat
kuat
Koefisien korelasi X1 dengan X2 = 0. 786 menyatakan hubungan variabel X1 dengan X2 kuat.
  KORELASI PARSIAL

Correlations
Control Variables X1 X2
Y X1 Correlation 1.000 .362
Significance (2- . .273
tailed)
Df 0 9
X2 Correlation .362 1.000
Significance (2- .273 .
tailed)
Df 9 0

Parsial berguna untuk mencari pengaruh X1 dan X2 digunakan bersamaan terhadap Y.

Bivariate dihubungkan dengan Parsial, dan Parsial menjadi variabel pengontrolnya.
Bila dibandingkan terlihat bahwa angka korelasi antara Motivasi dengan Minat dengan
menggunakan variabel pengontrol nilainya menjadi turun, yaitu dari 0,786 menjadi 0,362.
Sedangkan tandanya masih “positif’. Hal ini berarti bahwa dengan memperhitungkan
besarnya tingkat prestasi seseorang, masih ada korelasi positif antara tingkat motivasi dengan
tingkat minat. Sehingga, semakin tinggi tingkat prestasi seseorang, dan jika tingkat minat pun
meningkat, maka ada kecenderungan prestasi orang tersebut akan semakin meningkat.
Demikian pula sebaliknya.
REGRESI LINIER :

 PERSAMAAN TUNGGAL X1

Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 X1a . Enter
a. All requested variables entered.
b. Dependent Variable: Y

Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .756a .571 .529 5.34522
a. Predictors: (Constant), X1

ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 380.952 1 380.952 13.333 .004a
Residual 285.714 10 28.571
Total 666.667 11
a. Predictors: (Constant), X1
b. Dependent Variable: Y

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 29.048 14.947 1.943 .081
X1 .762 .209 .756 3.651 .004
a. Dependent Variable: Y

Koefisien regresi tunggal menyatakan hubungan antarvariabel Y dengan variabel X1.

• Nilai koefisien regresi tunggal = 0.756 menyatakan hubungan variabel Y dengan X1
adalah kuat.
 • Koefisien determinant ( R Square ) = 0.571 menyatakan variabel Y dipengaruhi X1
sebesar 57,10% sedangkan 42,90% dipengaruhi faktor lain.
• Estimasi koefisien determinan (adjusted R Square) =0.529
• Estimasi standart deviasi (standart error) = 5.34522
Dan juga di dapatkan :
a ( Constanta ) = 29.048
b ( Koef. Regresi X1 ) = 0.762
Sehingga persamaan regsresinya sebagai berikut Ý = 29.048 + 0.762 X

 PERSAMAAN TUNGGAL X2

Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 X2a . Enter
a. All requested variables entered.
b. Dependent Variable: Y

Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .908a .825 .807 3.41856
a. Predictors: (Constant), X2

ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 549.801 1 549.801 47.046 .000a
Residual 116.866 10 11.687
Total 666.667 11
a. Predictors: (Constant), X2
b. Dependent Variable: Y
 Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta T Sig.
1 (Constant) 3.073 11.743 .262 .799
X2 1.061 .155 .908 6.859 .000
a. Dependent Variable: Y

Koefisien regresi tunggal menyatakan hubungan antarvariabel Y dengan variabel X2.

• Nilai koefisien regresi tunggal = 0.908 menyatakan hubungan variabel Y dengan X2
adalah sangat kuat.
• Koefisien determinant ( R Square ) = 0.825 menyatakanvariabel Y dipengaruhi X2
sebesar 82,50% sedangkan17,50% dipengaruhi faktor lain.
• Estimasi koefisien determinan (adjusted R Square) =0.807
• Estimasi standart deviasi (standart error) = 3.41856
Dan juga di dapatkan :
a ( Constanta ) = 3.073
b ( Koef. Regresi X2 ) = 1.061
Sehingga persamaan regsresinya sebagai berikut Ý = 3.073 + 1.061 X

 PERSAMAAN GANDA

Variables Entered/Removed
Variables Variables
Model Entered Removed Method
1 X2, X1a . Enter
a. All requested variables entered.

Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .911a .829 .791 3.55506
a. Predictors: (Constant), X2, X1
 ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 552.921 2 276.460 21.875 .000a
Residual 113.746 9 12.638
Total 666.667 11
a. Predictors: (Constant), X2, X1
b. Dependent Variable: Y

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2.812 12.223 .230 .823
X1 .111 .224 .111 .497 .631
X2 .959 .260 .821 3.689 .005
a. Dependent Variable: Y

Koefisien regresi ganda (multiple R) menyatakan hubungan antarvariabel Y dengan variabel

X1, X2.
• Nilai koefisien korelasi ganda (multiple R) = 0.911menyatakan hubungan variabel Y
dengan X1, X2 adalah sangat kuat.
• Koefisien determinant ( R Square ) = 0.829 menyatakanvariabel Y dipengaruhi X1,X2
sebesar 82,90% sedangkan17,10% dipengaruhi faktor lain.
• Estimasi koefisien determinan (adjusted R Square) =0.791
• Estimasi standart deviasi (standart error) = 3.55506
Dan juga di dapatkan :
a ( Constanta ) = 2.812
b ( Koef. Regresi X1 ) = 0.111
c ( Koef. Regresi X2 ) = 0.959
Sehingga persamaan regsresinya sebagai berikut Ý = 2.812 + 0.111 X1 + 0.959 X2 .