ANALISA KORELASI DAN REGRESI LINEAR SEDERHANA1

Analisis regresi digunakan untuk mempelajari dan mengukur hubngan

statistik yang terjadi antara dua atau lebih variabel. Dalam regresi sederhana
dikaji dua variabel, sedangkan dalam regresi majemuk dikaji lebih dari dua
variabel. Dalam analisis regresi suatu persamaan regresi hendak ditentukan dan
digunakan untuk mengambarkan pola atau fungsi hubungan yang terdapat antar
variabel. Variabel yang akan diestimasi nilainya disebut variabel terikat
(dependent variable atau response variable) dan biasanya diplot pada sumbu
tegak (sumbu Y). Sedangkan variable bebas (Independent variable atau
exsplanatory variable) adalah variabel yang diasumsikan memberikan pengaruh
terhadap variasi variabel terikat dan biasanya plot pada sumbu datar (sumbu X).

Analisis Korelasi bertujuan untuk mengukur seberapa kuat, atau derajat

kedekatan, suatu relasi yang terjadi antar variabel. Jadi, kalau analisis regresi
ingin mengetahui pola relasi dalam bentuk persamaan regresi, maka analisis
korelasi ingin mengetahui kekuatan hubungan tersebut dalam koefisien
korelasinya. Dengan demikian biasanya analisis regresi dan korelasi sering
dilakukan bersama-sama.

Persamaan Regresi Linear Sederhana

Dalam analisis regresi linear sederhana kan ditentukan persamaan yang

menghubungkan dua variabel yang dapat dinyatakan sebgai bentuk persamaan
pangkat satu (persamaan linear/persamaan garis lurus)

Persamaan umum garis regresi untuk regresi linear sederhana adalah :

𝑌 = 𝑎 + 𝑏𝑥

Di mana :

1
Harinaldi,2005, Prinsip-prinsip Statistik Untuk Teknik dan Sains, Jakarta : Erlangga
𝑌 : nilai estimasi variabel terikat

a : titik potong garis regresi pada sumbu y atau nilai estimate 𝑦 bila x=0

b : gradient garis regresi (perubahan nilai estimate 𝑦 per satuan perubahan

nilai x)

x : nilai variabel bebas

Kesamaan diantara garis regresi dan garis trend tidak dapat berakhir dengan
persamaan garis lurus. Garis regresi seperti garis trend dengan nilai tengah
aretmatika memiliki dua sifat-sifat matematika sebagai berikut :

1. Jumlah simpangan (deviasi) positif pada titik-titik yang tersebar di atas

garis regresi sama dengan (saling menghilangkan) jumlah simpangan
negatif dari titik-titik yang tersebar di bawah garis regresi, dengan kata
lain :
∑△ 𝑦 = ∑(𝑦 − 𝑦) = 0
2. Kuadrat dari simpangan-simpangan mencapai nilai minimum (least
square value of deviations). Jadi :

∑(△ 𝑦 2 ) = ∑(𝑦 − 𝑦)2 = 𝑚𝑖𝑛𝑖𝑚𝑢𝑚

Dengan sifat kedua, metode regresi ini sering juga disebut sebagai
metode least square.

Dengan menggunakan kedua sifat di atas dan menggabungkannya dengan

prinsip-prinsip kalkulus diferensial untuk menentukan nilai ekstrim sebuah
fungsi, maka dapat diturunkan hubungan-hubungan untuk mendapatkan nilai-
nilai konstanta a dan b pada persamaan garis regresi, yang hasilnya sebagai
berikut :

𝑛(∑ 𝑥𝑦) − (∑ 𝑥)(∑ 𝑦)

𝑏=
𝑛(∑ 𝑥 2 ) − (∑ 𝑥)2
 𝑎 = 𝑦 − b𝑥

Di mana :

n : jumlah titik (pasangan pengamatan (x,y))

𝑥 : mean dari variabel x

𝑦 : mean dari variabel y

Contoh :

Uji Ke- x y xy x^2 y^2

1 6 30 180 36 900
2 9 49 441 81 2401
3 3 18 54 9 324
4 8 42 336 64 1764
5 7 39 273 49 1521
6 5 25 125 25 625
7 8 41 328 64 1681
8 10 52 520 100 2704
S 56 296 2257 428 11920

∑𝑥 56
𝑥= = =7
𝑛 8

∑𝑦 296
𝑦= = = 37
𝑛 8

Catatan :

Kolom y2 ditambahkanpada tabel meskipun belum digunakan untuk perhitungan

persamaan garis regresi . Nilai tersebut akan digunakan kemudian. Jadi dengan
menggunakan hasil pada tabel, nilai dari konstanta a dan b dapat ditentukan :

𝑛(∑ 𝑥𝑦) − (∑ 𝑥)(∑ 𝑦)

𝑏=
𝑛(∑ 𝑥 2 ) − (∑ 𝑥)2

8(2257) − (56)(296) 1480

= = = 5,1389
8(428) − (56)2 288
 𝑎 = 𝑦 − b𝑥 = 37 − (5,1389) = 1,0277

Jadi persamaan garis regresi linear yang menggambarkan hubungan antara

variabel x dan y dari data sampel di atas adalah :

𝒀 = 𝒂 + 𝒃𝒙 = 𝟏, 𝟎𝟐𝟕𝟕 + 𝟓, 𝟏𝟑𝟖𝟗 𝒙

Dengan menggunakan persamaan garis regresi yang diperoleh, maka dapat

diperkirakan hasil yang akan diperoleh (nilai y) untuk suatu nilai x tertentu.

x y = (1,0277+5,1389 x)
0 1.0277
1 6.1666
2 11.3055
3 16.4444
4 21.5833
5 26.7222
6 31.8611
7 37
8 42.1389

Garis regresi
45
40
35
30
25
20
15
10
5
0
1 2 3 4 5 6 7 8 9

y = (1,0277+5,1389x)