LAPORAN PRAKTIKUM 1

REGRESI TERAPAN (MKK6313)

(Korelasi dan Regresi Linier Sederhana)

Dosen Pengampu
Wiwit Pura Nurmayanti M.Si

Nama Mahasiswa
Hanipar Mahyulis Sastriana
(170401004)

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HAMZANWADI
PANCOR
2018
 Regresi Terapan (Korelasi dan Regresi Linier Sederhana) 2018

1. PENDAHULUAN

Hubungan atar variabel bisa dikatigorikan menjadi tiga kategori yaitu korelasi,
regresi, dan kausalitas. Analisis korelasi menunjukkan derajat asosiasi atau keeratan
hubungan antara satu variabel dengan variabel lainnya. Misalnya hubungan ada
hubungan keerata atau korelasi antara tinggi badan dan berat badan.
Analisis regresi merupakan analisis hubungan antara variabel dan independen.
Variabel dependen adalah variabel yang diestimasi atau diprediksi berdasarkan nilai
variabel lain yaitu variabel independen. Sedangkan variabel independen yaitu
variabel yang memprediksi atau mengestimasi besarnya variabel dependen. Ada dua
jenis hubungan antara variabel dependen dan independen di dalam analisis regresi
yaitu hubungan positif dan hubungan negatif. Hubungan positif antar variabel
dependen dan independen terjadi jika kedua variabel bergerak dalam arah yang sama
(direct relationship). Ketika variabel independen naik maka variabel dependen juga
mengalami kenaikan atau ketika variabel independen turun maka variabel dependen
juga akan mengalami penurunan.
Didalam regresi hubungan antara variabel dependen dan variabel independen
juga bisa negatif. Hubungan negatif ini terjadi jika kedua variabel tersebut bergerak
dalam arah yang berlawanan (inverse relationship). Saat variabel independen
mengalami kenaikan maka variabel dependen justru mengalami penurunan atau
sebaliknya.

Hanipar Mahyulis Sastriana (170401004) Page 2

 Regresi Terapan (Korelasi dan Regresi Linier Sederhana) 2018

2. TINJAUAN PUSTAKA

2.1 Korelasi
Korelasi menunjukkan kekuatan hubungan antara satu variabel dengan variabel
lainnya. Nilai koefisien korelasi berkisar di −1 < 𝑟 < 1. Kuatnya hubungan korelasi
dinyatakan dalam bentuk angka antara 0-1. Sedangkan angka 0 menunjukkan tidak
ada hubungan korelasi. Angka 1 menunjukkan hubungan korelasi yang sempurna.
Semakin kecil koefisien korelasinya maka akan semakin besar kesalahan untuk
membuat prediksi.
2.1.1 Jenis-jenis korelasi
1. Korelasi positif dan korelasi negatif
Dilihat dari arah pergerakan hubungan antara dua variabel maka bisa
dikategorikan sebagai hubungan atau korelasi positif dan negatif. Korelasi positif
terjadi jika pergerakan dua variabel bergerak dalam arah yang sama. Jika suatu
variabel mengalami kenaikan maka variabel yang lain akan mengalami kenaikan.
Begitu pula sebaliknya jika suatu variabel mengalami penurunan maka variabel yang
lain mengalami penurunan.
Sedangkan korelasi negatif terjadi jika pergerakan dua variabel tidak bergerak
dalam arah yang sama tetapi berlawanan arah. Bila satu variabel mengalami
kenaikan maka variabel yang lain mengalami penurunan atau bila variabel satu
mengalami penurunan maka variabel yang lain mengalami kenaikan.

2. Korelasi Linier dan Nonlinier

Korelasi antar variabel juga bisa dilihat dari apakah perubahan dua variabel
bersifat tetap (konstan) atau tidak tetap (tidak konstan). Korelasi dikatakan linier jika
perubahan absolute dua variabel menaik atau menurun dalam perubahan yang
konstan. Krelasi linier ini bila digambarkan dalam sebuah kurva berupa garis lurus
yang menghubungkan satu variabel denga variabel yang lain. Sedangkan korelasi
tidak linier terjadi jika perubahan absolute satu variabel terhadap variabel lain tidak
konstan. Jika digambarkan dalam sebuah grafik berupa garis tidak lurus.

3. Korelasi sederhana, parsial, dan kompleks

Korelasi antar variabel bisa dibedakan berdasarkan jumlah variabel yang
dianalisis di dalam korelasi. Bila kita hanya ,elihat keeratan hubungan antara dua
variabel maka disebut dengan korelasi sederhana (simple correlation). Bila variabel
yang di analisis lebih dari dua variabel tetapi kita hanya tertarik mencari korelasi dua
variabel sedangkan variabel yang lain dianggap tetap disebut denga korelasi parsial
(partial correlation). Di lain pihak ketika variabel yang dianalisis lebih dari dua
variabel dan kita sekaligus mencari korelasi secara bersama-sama maka korelasi ini
disebut dengan korelasi kompleks (multiple correlation).
2.1.2 Macam-macam metode perhitungan korelasi
Seberapa besar keeratan hubungan antar dua variabel diukur dengan koefisien
korelasi. Ada beberapa cara mencari keeratan hubungan antara dua variabel, yaitu :
1. Melalui Sketergram
2. Metode Pearson
3. Metode Spearman
4. Koefisien Determinasi

Hanipar Mahyulis Sastriana (170401004) Page 3

 Regresi Terapan (Korelasi dan Regresi Linier Sederhana) 2018

2.1.3 Persamaan Korelasi dan Uji Hipotesis pada Korelasi

 Rumus persamaan korlasi :
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑟=
√[𝑛(∑ 𝑥 2 ) − (∑ 𝑥)2 ][𝑛(∑ 𝑦 2 ) − (∑ 𝑦)2 ]
Dimana : y = variabel dependen
x = variabel independen
n = jumlah sampel atau observasi
Nilai koefisien korelasi −1 ≤ 𝑟 ≤ 1. Angka korelasi r menunjukkan besaran
sekaligus arah hubungan antar dua variabel yaitu positif dan negatif. Nilai r = -1
menunjukkan korelasi negatif yang sempurna, dan nilai r = 1 menunjukkan korelasi
positif yang sempurna. Jika nilai koefisien korelasi mendekati angka±1
menunjukkan korelasi positif atau negatif yang kuat dan sebaliknya jika mendekati
angka 0 menujukkan adanya korelasi positif atau negatif yang lemah.
 Uji hipotesis korelasi :
𝑟√𝑛 − 2
𝑡=
√1 − 𝑟 2
Dimana : r = nilai koefisien korelasi
n = jumlah sampel atau observasi

2.2 Regresi
Analisis statistik yang memanfaatkan hubungan antara dua atau lebih peubah
kuantitaif sehingga salah satu peubah dapat diramalkan. Analisis regresi
menunjukkan adanya pengaruh (sebab akibat) antara dua variabel.
2.2.1 Persamaan regresi linier sederhana
Garis linier sederhana antara variabel Y dan X dapat dinyatakan dalam bentuk
persamaan regresi sebagai berikut :
𝑌 = 𝛽0 + 𝛽𝑖 𝑋𝑖 + 𝜀
𝜀(𝑌𝑖 ) = 𝛽0 + 𝛽𝑖 𝑋𝑖
𝑌̂ = 𝛽0 + 𝛽𝑖 𝑋𝑖
Dimana : Y = variabel dependen
X = variabel independen
𝛽0 = nilai konstan atau inters
𝛽𝑖 = nilai slope
Nilai intersep (a) dan slope (b) yang akan menjamin bahwa nilai prediksi
variabel dependen sedekat mungkin dengan data aktualnya.
𝑛 ∑ 𝑥𝑖 𝑦𝑖 − ∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑏1 = 2
𝑛 ∑ 𝑥𝑖 2 − (∑ 𝑥𝑖 )
𝑏0 = 𝑦̂ − 𝑏1 𝑋
Dimana : b0 = intersep
b1 = slope

2.2.2 Standard Error of Estimate (SE)

standar error of estimate ini mengukur persebaran nilai aktual terhadap nilai
prediksi yang berada pada garis regresi. Standar error of estimate ini dapat dicari
dengan rumus, sebgai berikut :

Hanipar Mahyulis Sastriana (170401004) Page 4

 Regresi Terapan (Korelasi dan Regresi Linier Sederhana) 2018

∑(𝑌 − 𝑌̂)2
𝑠𝑥𝑦 = √
𝑛−2
Jika nilai standard error of estimate sxy kecil berarti nilai aktualnya relatif
dekat dengan garis regresi sehingga garis regresi bisa digunakan untuk memprediksi
variabel dependen Y dengan kesalahan yang kecil. Sebaliknya jika standard error of
estimate sxy besar maka nilai aktual relatif tersebar dengan garis regresi sehingga
garis regresi tidak akn mampu melakukan prediksi variabel Y degan ketetapan yang
baik.
2.2.3 Koefisien Determinasi (R2)
Koefisien determinasi (R2) ini untuk mengukur persentase total variasi Y
yang dijelaskan oleh garis regresi (variabel independen X).
Untuk semua data, penjumlahan kuadrat variasi total sum of squares (TSS).
Penjumlahan kuadrat variasi regresi ini disebut explained sum of squares (ESS). Dan
penjumlahan kuadrat variasi residual disebut residual sum of squares (RRS).
Koefisien determinasi dapat dicari menggunakan rumus sebagai berikut :
ESS ∑(ŷi − y̅)2
R2 = =
TSS ∑(yi − y̅)2

2.2.4 Uji f
Uji hipotesis untuk mengetahui apakah terdapat pengaruh antara variabel satu
dengan variabel yang lain. Rumus uji F bagi parameter regresi sebagai berikut :
𝐸𝑀𝑆
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 =
𝑅𝑀𝑆

2.2.5 Tabel ANOVA

Sumber Db (df) JK (SS) KT (MS) F
Regresi 1 JKR KTR
𝐾𝑇𝑅
Galat (R) 𝑛−2 JKG KTG
𝐾𝑇𝐺
Total 𝑛−1 JKT

Hanipar Mahyulis Sastriana (170401004) Page 5

 Regresi Terapan (Korelasi dan Regresi Linier Sederhana) 2018

3. STUDI KASUS

Seorang mahasiswa ingin meneliti apakah terdapat hubungan antara Tinggi

badan dengan Berat badan. Data dalam cm dan kg. datanya sebagai berikut :

Tabel 1. Data Tinggi badan dan Berat badan

No. (x) Tinggi (y) Berat

Badan (cm) Badan (kg)

1. 155 49

2. 157 47

3. 160 50

4. 156 43

5. 155 52

6. 155 40

7. 150 44

8. 150 58

9. 155 40

10. 155 49

11. 163 54

12. 156 46

Pertanyaan :

1. Buatlah plot antara Tinggi Badan dengan Berat Badan, interpretasikan.

2. Hitunglah koefisien korelasi antara Tinggi Badan dan Berat Badan,
interpretasikan.
3. Ujilah pada taraf nyata 5%, apakah ada korelasi antara Tinggi Badan dengan
Berat Badan.
4. Dugalah koefisien regresi dengan MKT, interpretasikan setiap koefisien tersebut.
5. Buat tabel ANOVA.
6. Ujilah pada taraf nyata 5%, apakah Tinggi Badan berpengaruh nyata terhadap
Berat Badan.
7. Hitunglah Koefisien Determinasi, dan interpretasikan.
8. Dugalah Berat Badan untuk Tinggi badan 5cm.

Hanipar Mahyulis Sastriana (170401004) Page 6

 Regresi Terapan (Korelasi dan Regresi Linier Sederhana) 2018

4. ANALISIS DAN PEMBAHASAN

4.1 Tahapan Analisis

Tahap analisis data Tinggi Badan dan Berat Badan menggunakan aplikasi
MiniTab, sebagai berikut :
4.1.1 Membuka aplikasi Minitab dengan mengklik aplikasi Minitab yang ada di
taskbar.
4.1.2 Masukkan data pada aplikasi Minitab
4.1.3 Mengklik Stat kemudian Regression lalu tekan Regression kembali, seperti
pada gambar :

Gambar 4.1.3 Langkah analisis menggunakan Minitab

4.1.4 Mengklik Berat Badan (y) sebagai Response dan Tinggi Badan (x) sebagai
Predictors, kemudian mengklik OK. Seperti pada gambar :

Gambar 4.1.4 Menentukan Response dan Predictors

Hanipar Mahyulis Sastriana (170401004) Page 7

 Regresi Terapan (Korelasi dan Regresi Linier Sederhana) 2018

4.1.5 Menghasilkan output seperti pada gambar :

Gambar 4.1.5 Hasil analisis regresi

4.1.6 Kemudian klik Graph Scatterplot With Regression OK.
Dan tentukan y dan x variabel nya, lalu klik OK. Seperti pada gambar :

Gambar 4.1.6 Menentukan variabel

4.1.7 langkah pada 4.1.6 akan menghasilkan plot seperti pada gambar :

Gambar 4.1.7 Sketergram hubungan antara Tinggi Badan (x) dan Berat
Badan (y).

Hanipar Mahyulis Sastriana (170401004) Page 8

 Regresi Terapan (Korelasi dan Regresi Linier Sederhana) 2018

4.1.8 untuk menentukan koefisien korelasi kita klik stat lalu basic statistics
kemudian correlation. Seperti pada gambar :

Gambar 4.1.8 Menentukan koefisien korelasi

4.1.9 Masukkan Tinggi badan dan Berat badan sebagai variabel untuk
menghasilkan koefisien korelasi.

Gambar 4.1.9 Menentukan variabel

4.1.10 Hasil koefisien korelasi

Gambar 4.1.10 Hasil koefisien korelasi

Hanipar Mahyulis Sastriana (170401004) Page 9

 Regresi Terapan (Korelasi dan Regresi Linier Sederhana) 2018

4.2 Pembahasan
4.2.1 Plot antara Tinggi Badan dengan Berat Badan.

Gambar 4.1.7 Sketergram hubungan antara Tinggi Badan (x) dan Berat
Badan (y).
Interpretasi :
Setiap titik pada plot menunjukkan besarnya Tinggi Badan dan besarnya Berat
Badan.Titik pada plot tersebut menunjukkan bahwa tidak adanya hubungan antara
Tinggi badan dengan Berat badan. Dapat dilihat bahwa titik-titik menyebar atau tidak
mengikuti garis, berpola nonlinier.
4.2.2 Koefisien Korelasi antara Tinggi Badan dengan Berat Badan.

Gambar 4.2.2 Koefisien korelasi

Interpretasi :
Nilai koefisien korelasi sebesar 0.099 dan bertanda positif. Angka koefisien
korelasi tersebut menunjukkan adanya korelasi positif, dan nilai 0.099 berarti
koefisien korelasi bersifat lemah. Oleh karena itu Tinggi badan dan Berat badan tidak
memiliki hubungan.

4.2.3 Uji t pada taraf nyata 5% untuk menentukan hubungan antara Tinggi badan
dan Berat badan.
1. Hipotesis Uji
H0 : 𝜌 = 0 (tidak terdapat hubungan linier antara Tinggi badan dengan Berat
badan )
H1 : 𝜌 ≠ 0 (terdapat hubungan linier antara Tinggi badan dengan Berat badan)
2. Kriteria Uji
𝛼 = 5% = 0.05

Hanipar Mahyulis Sastriana (170401004) Page 10

 Regresi Terapan (Korelasi dan Regresi Linier Sederhana) 2018

Tolak H0 jika thit > ttabel

3. Statistik Uji
𝑏1 −𝛽1 0.1514−0
thitung = = = 0.31
𝑠𝑏𝑖 0.4820

Nilai b1 Nilai sbi

ttabel = t(db=n-2 ; 𝛼 /2)= 2.228
4. Keputusan
Gagal tolah H0 karena thit < ttab yaitu 0.31 < 2.228
5. Kesimpulan
Tidak terdapat hubungan linier antara Tinggi badan dengan Berat Badan.

4.2.4 Koefisien regresi dengan MKT.

Koefisien regresi yang dihasilkan adalah :
𝑌̂ = 24.1 + 0.151 𝑋
Interpretasi :
Intersep sebesar 24.1 dan slope sebesar 0.151. besarnya intersep menunjukkan
bahwa ketika Tinggi badan nol maka volume Berat badan sebesar 24.1 kg.
sedangkan besarnya slope 0.151 berarti setiap kenaikan Tinggi badan sebesar 1cm
maka volume Berat badan akan meningkat sedikit sebesar 24.251 kg.

4.2.5 Tabel ANOVA.

Sumber Db (df) JK (SS) KT (MS) F
Regresi 1 3.23 3.23
Galat (R) 10 327.44 32.74 0.10
Total 11 330.67
Ineterpretasi :
Db (derajat bebas) galat diperoleh dari n-2 dimana n = 12. Dan nilai F hiung
di peroleh dari hasil Kuadrat Tengah Regresi (KTR) di bagi dengan Kuadrat Tengah
Galat (KTG) yaitu 3.23/327.44 = dibulatkan menjadi 0.10.

4.2.6 Uji F pada taraf 5% untuk mengetahui pengaruh antara Tinggi badan dengan
Berat badan.
1. Hipotesis Uji
H0 : 𝛽 = 0 (tidak terdapat pengaruh antara Tinggi badan dengan Berat badan)
𝛽 ≠ 0 (terdapat pengaruh antara Tinggi badan dengan Berat badan)
2. Kriteria Uji
𝛼 = 5% = 0.05

Hanipar Mahyulis Sastriana (170401004) Page 11

 Regresi Terapan (Korelasi dan Regresi Linier Sederhana) 2018

Tolah H0 jika Fhit > Ftabel

3. Statistik Uji
𝐸𝑀𝑆 3.23
Fhitung = 𝑅𝑀𝑆 = 327.44 = 0.09865 ≈ 0.10

Ftabel (bd1=1;db2=n-2;𝛼) = Ftabel (1;10;0.05) = 5.12

4. Keputusan
Gagal tolak H0 karena Fhit < Ftabel yaitu 0.10 < 5.12
5. Kesimpulan
Tidak terdapat pengaruh antara Tinggi badan dengan Berat badan
4.2.7 Koefisien Determinasi (R2).
𝐸𝐸𝑆 3.23
R2 = 𝑇𝑆𝑆 = 330.67 = 0.009768
= 0.009768 × 100%
= 0.9768% ≈ 1.0%

Interpretasi :
Keragaman Berat badan dapat dijelaskan oleh keberagaman Tinggi badan sebesar
1.0% dan sisanya yaitu 99.9% dijelaskan oleh faktor lainnya.

4.2.8 Besar Berat badan ketika Tinggi badan bertambah 5cm.

Persamaan regresi antara Tinggi badan dan Berat badan :
Berat badan (Y) = 24.1 + 0.151 Tinggi badan (X)
X = 5cm, maka :
Y = 24.1 + 0.151 (5)
= 24.1 + 0.755
= 24.855 kg
Interpretasi :
Ketika Tinggi badan bertambah setinggi 5cm maka Berat badan akan menjadi
24.855 kg.

Hanipar Mahyulis Sastriana (170401004) Page 12

 Regresi Terapan (Korelasi dan Regresi Linier Sederhana) 2018

5. KESIMPULAN

Dari semua langkah yang telah di kerjakan di analisis dan pembahasan

diperoleh kesimpulan sebagai beikut :
Nilai koefisien korelasi antara Tinggi badan dan Berat badan bernilai 0.099
yang memiliki arti korelasi positif yang lemah, sehingga Tinggi badan dan Berat
badan tidak memiliki hubungan. Dan koefisien regresi memiliki persamaan sebagai
berikut : 𝑌̂ = 24.1 + 0.151 𝑋. Dimana setiap kenaikan Tinggi badan 1cm maka
Berat badan menigkat 24.251 kg.

Hanipar Mahyulis Sastriana (170401004) Page 13

 Regresi Terapan (Korelasi dan Regresi Linier Sederhana) 2018

DAFTAR PUSTAKA

Walpole Ronald E dan Raymond H Myers.1995.Ilmu Peluang dan Statistika untuk

Insinyur dan Ilmuwan.Bandung:ITB.

Widardjono Agus. STATISTIKA TERAPAN dengan Excel dan SPSS Bab 10-18. UPP
STIM YKPN.

Nurmayanti Wiwit Pura, Regresi Terapan –Universitas Hamzanwadi (Slide Materi

Analisis Korelasi)

Hanipar Mahyulis Sastriana (170401004) Page 14