BAB I

PENDAHULUAN

1.1 Latar Belakang

Banyak analisis statistika bertujuan untuk mengetahui apakah ada hubungan antara dua
atau lebih peubah. Bila hubungan demikian ini dapat dinyatakan dalam bentuk rumus matematik,
maka kita akan dapat menggunakannya untuk keperluan peramalan.

Masalah peramalan dapat dilakukan dengan menerapkan persamaan regresi.mendekati

nilai tengah populasi. Sekarang ini, istilah regresi ditetapkan pada semua jenis peramalan, dan
tidak harus berimplikasi suatu regresi mendekati nilai tengah populasi. Sedangkan Teknik korelasi
merupakan teknik analisis yang melihat kecenderungan pola dalam satu variabel berdasarkan
kecenderungan pola dalam variabel yang lain. Maksudnya, ketika satu variabel memiliki
kecenderungan untuk naik maka kita melihat kecenderungan dalam variabel yang lain apakah juga
naik atau turun atau tidak menentu. Jika kecenderungan dalam satu variabel selalu diikuti oleh
kecenderungan dalam variabel lain, kita dapat mengatakan bahwa kedua variabel ini memiliki
hubungan atau korelasi.

1.2 Rumusan Masalah

1.3 Tujuan Penulisan
 BAB II
PEMBAHASAN

2.1 Regresi

Istilah "regresi" pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1886. Galton
menemukan adanya tendensi bahwa orang tua yang memiliki tubuh tinggi, memiliki anak-anak
yang tinggi pula dan orang tua yang pendek memiliki anak-anak yang pendek pula. Kendati
demikian, ia mengamati ada kecenderungan bahwa tinggi anak bergerak menuju rata-rata tinggi
populasi secara keseluruhan. Dengan kata lain ketinggian anak yang amat tinggi atau orang tua
yang amat pendek cenderung bergerak ke arah rata-rata tinggi populasi. Inilah yang disebut hukum
Galton mengenai regresi universal.

Dalam bahasa Galton ia menyebutnya sebagai regresi menuju medikritas (Maddala, 1992).
Interpretasi modern mengenai regresi agak berlainan dengan regresi versi Galton. Secara umum.
analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen (terikat)
dengan satu atau lebih variabel independen (variabel penjelas/bebas), dengan tujuan untuk
mengestimasi dan/atau memprediksi rata-rata populasi atau nilai rata-rata variabel dependen
berdasarkan nilai variabel independen yang diketahui (Gujarati, 2003). Hasil analisis regresi
adalah berupa koefisien untuk masing-masing variabel independen. Koefisien ini diperoleh dengan
cara memprediksi nilai variabel dependen dengan suatu persamaan; Koefisien regresi dihitung
dengan dua tujuan sekaligus: Fertama, meminimumkan penyimpangan antara nilai aktual dan nilai
estimasi variabel dependen berdasarkan data yang ada (Tabachnick, 1996).

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.
Untuk menentukan persamaan hubungan antarvariabel, langkah-langkahnya sebagai berikut :

1. Mengumpulkan data dari variabel yang dibutuhkan misalnya X sebagai variabel bebas dan Y
sebagai variabel tidak bebas.

2. Menggambarkan titik-titik pasangan (x,y) dalam sebuah sistem koordinat bidang. Hasil dari
gambar itu disebut Scatter Diagram (Diagram Pencar/Tebaran) dimana dapat dibayangkan bentuk
kurva halus yang sesuai dengan data. Kegunaan dari diagram pencar adalah membantu
menunjukkan apakah terdapat hubungan yang bermanfaat antara dua variabel dan membantu
menetapkan tipe persamaan yang menunjukkan hubungan antara kedua variabel tersebut.

3. Menentukan persamaan garis regresi dengan mencari nilai-nilai koefisien regresi dan koefisien
korelasi.

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

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/tidakberimpit.
Persamaan garis melalui dua buah titik dirumuskan sebagai berikut:

Analisis Regresi
Contoh Persamaan 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 βo adalah penduga a, β1 adlah penduga b dan εi merupakan besarnya simpangan persamaan
garis penduga. Semakin kecil nilai εi persamaan regresi yang diperoleh akan semakin baik.

REGRESI LINIER SEDERHANA

Tujuan utama materi ini adalah bagaimana menghitung suatu perkiraan atau persamaan regresi
yang akan menjelaskan hubungan antara dua variabel. Regresi merupakan suatu alat ukur yang
juga digunakan untuk mengukur ada atau tidaknya korelasi antarvariabelnya. Istilah regresi itu
sendiri berarti ramalan atau taksiran.Persamaan yang digunakan untuk mendapatkan garis regresi
pada data diagram pencar disebut persamaan regresi.

Untuk menempatkan garis regresi pada data yang diperoleh maka digunakan metode kuadrat
terkecil, sehingga bentuk persamaan regresi adalah sebagai berikut: Y’ = a + b X

Kesamaan di antara garis regresi dan garis trend tidak dapat berakhir dengan persamaan garis lurus.
Garis regresi (seperti garis trend dan nilai tengah aritmatika) memiliki dua sifat matematis berikut
: (Y – Y’) = 0 dan (Y – Y’)2 = nilai terkecil atau terendah. Dengan perkataan lain, garis regresi
akan ditempatkan pada data dalam diagram sedemikian rupa sehingga penyimpangan (perbedaan)
positif titik-titik terhadap titik-titik pencar di atas garis akan mengimbangi penyimpangan negatif
titik-titik pencar yang terletak di bawah garis, sehingga hasil pinyimpangan keseluruhan titik-titik
terhadap garis lurus adalah nol.

Untuk tujuan diatas, perhitungan analisis regresi dapat dipermudah dengan menggunakan rumus
sebagai berikut :
 2.2 KORELASI
Korelasi menyatakan derajat hubungan antara dua variabel tanpa memperhatikan variabel mana
yang menjadi peubah. Karena itu hubugan korelasi belum dapat dikatakan sebagai hubungan
sebab akibat.
1. Hubungan positif menyatakan hubungan semakin besar nilai pada variabel X, diikuti pula
perubahan dengan semakin besar nilai pada variabel Y

2. Hubungan negatif menyatakan hubungan semakin besar nilai pada variabel X, diikuti pula
perubahan dengan semakin kecil nilai pada variabel Y.

3. r = 1,00 menyatakan hubungan yang sempurna kuat; r = 0,50 menyatakan hubungan sedang;
dan 0,00 menyatakan tidak ada hubungan sama sekali (dua variabel tidak berhubungan).
Korelasi yang menyatakan tingkat hubungan variabel bebas dan variabel terikat dapat dibedakan
berdasarkan banyaknya variabel bebas yang mempengaruhi nilai dari variabel terikat.

Angka yang digunakan untuk menggambarkan derajat hubungan ini disebut koefisien korelasi
dengan lambang rxy.Teknik yang paling sering digunakan untuk menghitung koefisien korelasi
selama ini adalah teknik Korelasi Product Momen Pearson.

Teknik ini sebenarnya tidak terbatas untuk menghitung koefisien korelasi dari variabel dengan
skala pengukuran interval saja, hanya saja interpretasi dari hasil hitungnya harus dilakukan dengan
hati-hati.

Pemikiran utama korelasi product momen adalah seperti ini:

• Jika kenaikan kuantitas dari suatu variabel diikuti dengan kenaikan kuantitas dari variabel lain,
maka dapat kita katakan kedua variabel ini memiliki korelasi yang positif.

• Jika kenaikan kuantitas dari suatu variabel sama besar atau mendekati besarnya kenaikan
kuantitas dari suatu variabel lain dalam satuan SD, maka korelasi kedua variabel akan mendekati
1.

• Jika kenaikan kuantitas dari suatu variabel diikuti dengan penurunan kuantitas dari variabel lain
maka dapat kita katakan kedua variabel ini memiliki korelasi yang negatif.

• Jika kenaikan kuantitas dari suatu variabel sama besar atau mendekati besarnya penurunan
kuantitas dari variabel lain dalam satuan SD, maka korelasi kedua variabel akan mendekati -1.

• Jika kenaikan kuantitas dari suatu variabel diikuti oleh kenaikan dan penurunan kuantitas secara
random dari variabel lain atau jika kenaikan suatu variabel tidak diikuti oleh kenaikan atau
penurunan kuantitas variabel lain (nilai dari variabel lain stabil), maka dapat dikatakan kedua
variabel itu tidak berkorelasi atau memiliki korelasi yang mendekati nol.

Koefisien korelasi antara dua peubah sehingga nilai r = 0 berimplikasi tidak ada hubungan linear,
bukan bahwa antara peubah itu pasti tidak terdapat hubungan.Ukuran korelasi linear antara dua
peubah yang paling banyak digunakan adalah koefisien karelasi momen-hasilkali pearson atau
ringkasnya koefisien korelasi.
2.3 Regresi dan Korelasi
Analisis korelasi berkaitan erat dengan regresi, tetapi secara konsep berbeda dengan
analisis regresi. Analisis korelasi adalah mengukur suatu tingkat atau kekuatan hubungan linear
antara dua variabel. Koefisien korelasi adalah mengukur kekuatan hubungan linear. Sebagai
contoh, kita tertarik untuk menemukan korelasi antara merokok dengan penyakit kanker,
berdasarkan penjelasan statistik dan matematika, pada anak sekolah dan mahasiswa (dst). Dalam
analisis regresi, kita tidak menggunakan pengukuran tersebut. Analisis regresi mencoba untuk
mengestimasi atau memprediksikan nilai rata-rata suatu variabel yang sudah diketahui nilainya,
berdasarkan suatu variabel lain yang juga sudah diketahui nilainya. Misalnya, kita ingin
mengetahui apakah kita dapat memprediksikan nilai rata-rata ujian statistik berdasarkan nilai hasil
ujian matematika.
Regresi dan korelasi mempunyai perbedaan mendasar. Analisis korelasi bertujuan untuk
mengukur kekuatan asosiasi (hubungan) linear antara dua variabel. Korelasi tidak menunjukkan
hubungan fungsional atau dengan kata lain, analisis korelasi tidak membedakan antara variabel
dependen dengan variabel independen. Dalam analisis regresi, selain mengukur kekuatan
hubungan antara dua variabel atau lebih, juga menunjukkan arah hubungan antara variabel
dependen dengan variabel independen. Variabel dependen diasumsikan random/stokastik, yang
berarti mempunyai distribusi probabilistik. Variabel independen/bebas diasumsikan memiliki nilai
tetap (dalam pengambilan sampel yang berulang)
Dalam analisis regresi terdapat asimtri pada variabel tergantung dan terkiat yang akan
dianalisis. Variabel terikat diasumsikan random atau stokastik, sehingga mempunyai distribusi
probabilitas. Variabel penjelas (variabel bebas) diasumsikan mempunyai nilai yang tertentu
(dalam sampel tertentu). Sebenarnya sangat dimungkinkan bahwa variabel bebas juga stokastik
secara intrinsik, akan tetapi untuk kegunaan analisis regresi, maka kita asumsikan bahwa nilai
variabel bebas adalah tertentu (fixed). Nilai-nilai pada variabel bebas adalah sama pada berbagai
sampel sehingga tidak random atau tidak stokastik.
Dalam analisis korelasi, kita menggunakan dua variabel yang simetris, sehingga tidak ada
perbedaan antara variabel terikat dengan variabel penjelas. Korelasi antara nilai ujian matematika
dan ujian statistik (dalam contoh di atas) adalah sama dengan korelasi antara ujian statistik dan
ujian matematika. Lebih lanjut, dua variabel tersebut diasumsikan random. Seperti yang telah kita
ketahui, bahwa kebanyakan teori korelasi berdasarkan pada asumsi variabel random, di mana
kebanyakan teori regresi berdasarkan pada asumsi variabel tergantung stokastik dan variabel bebas
adalah tertentu atau non stokastik. Meskipun demikian, dalam analisis yang lebih mendalam, kita
dapat mempertimbangkan kembali asumsi bahwa variabel penjelas merupakan non stokastik.
(Gujarati, 2004:22-24)

1. Regresi
(1) Digunakan untuk mempelajari bentuk hubungan antar variabel melalui suatu persamaan (bias
Regresi Linier Sederhana, Regresi Linier Berganda, atau Regresi non Linier). Namun, yang perlu
ditekankan bahwa regresi menunjukkan hubungan kausalitas atau sebab-akibat antara variabel
bebas (independen) terhadap variabel terikat (dependen). Misalnya penelitian mengenai pengaruh
tingkat pendidikan terhadap besarnya pendapatan per kapita.

(2) Dapat mengukur seberapa besar pengaruh dari variabel bebas terhadap variabel terikatnya
(variabel satu terhadap variabel lainnya), dan bisa berdasarkan tandanya. Misalnya, kenaikan harga
BBM mengakibatkan penurunan (tanda negatif) pendapatan per kapita.

(3) Dapat digunakan untuk melakukan prediksi nilai suatu variabel berdasarkan variabel lain (bisa
hanya satu variabel bebas atau beberapa variabel bebas).
Korelasi

(1) Biasanya digunakan untuk mempelajari hubungan keeratan antar 2 variabel kuantitatif
berdasarkan angkanya, bukan tandanya. Ingat ! kalau keeratan lihat besarnya, bukan tandanya.
(2) Dapat mengetahui arah hubungan yang terjadi {berbading lurus (tanda +), atau berbanding
terbalik (tanda -)}.
(3) Nilainya berkisar antara -1 sampai 1.

(4) Tidak bisa menyatakan hubungan kausalitas (sebab-akibat). Demikianlah sekelumit ulasan
mengenai persamaan dan perbedaan regresi dan korelasi.
 BAB III

PENUTUP

3.1 Kesimpulan

Analisis regresi berbeda dengan analisis korelasi.Jika analisis korelasi digunakan untuk
melihat hubungan dua variable; maka analisis regresi digunakan untuk melihat pengaruh variable
bebas terhadap variable tergantung serta memprediksi nilai variable tergantung dengan
menggunakan variable bebas.

Dalam analisis regresi variable bebas berfungsi untuk menerangkan (explanatory) sedang
variable tergantung berfungsi sebagai yang diterangkan (the explained).

Untuk mengumpulkan data waktu ke waktu kita dapat menggunakan deret berkala metode
semi average.