ANALISIS REGRESI DAN

KORELASI

Dr. Astri Rinanti, MT

Jurusan TEKNIK LINGKUNGAN
UNIVERSITAS TRISAKTI
 Analisis Korelasi Sederhana :
¡ Adalah teknik statistik yang digunakan untuk
mengukur keeratan hubungan (korelasi)
antara dua variabel.
¡ Ukuran yang menyatakan keeratan
hubungan adalah koefisien korelasi.
¡ Koefisien ini bernilai antara –1 sampai
dengan +1.
¡ Sebuah langkah awal yang sangat
bermanfaat dalam melihat hubungan antara
dua variabel adalah menampilkan informasi
data ke dalam bentuk diagram pencar.
 HUBUNGAN KUAT DAN LEMAHNYA
SUATU KORELASI

korelasi korelasi tidak ada korelasi korelasi

negatif negatif korelasi positif positif
sempurna sedang sedang kuat

korelasi korelasi korelasi positif korelasi positif

negatif kuat negatif lemah lemah kuat

- - 0, 0, 1,
1, 0, 0 5 0
0 5
korelasi korelasi
negatif positif
¡ Koefisien korelasi :
J xy
r=
J xx J yy
l dimana
(∑ X )(∑ Y )
J xy = ∑ XY −
n

(∑ X ) 2
J xx = ∑ X 2 −
n

(∑ Y ) 2
J yy = ∑ Y 2 −
n
Analisis Korelasi

¡ Analisis Korelasi adalah analisis yang

mengkaji kuat hubungan linier antara 2 variabel
yang dinyatakan melalui koefisien korelasi (r).

n∑ XY − ∑ X ∑ Y
r=
[n∑ X 2
][
− (∑ X )2 × n∑ Y 2 − (∑ Y )2 ]
¡ Besarnya koefisien korelasi –1 ≤ r ≤ 1

Statistika Bisnis 5
Koefisien Korelasi

Arti besar nilai r

¡ Jika r = 1 atau mendekati 1 maka hubungan
antara 2 variabel sangat kuat secara positif yaitu
hubungan yang terjadi searah yaitu apabila nilai X
meningkat maka Y juga akan semakin meningkat
dan sebaliknya.

¡ Jika r = -1 atau mendekati -1 maka hubungan

antara 2 variabel sangat kuat secara negatif yaitu
hubungan yang terjadi berbalik arah yaitu apabila
nilai X meningkat maka akan diikuti dengan
penurunan Y atau sebaliknya.
¡ Jika r = 0 atau mendekati 0 maka hubungan
antara 2 variabel tidak ada atau lemah maka dapat
dikatakan tidak terdapat hubungan antara X dan Y.
 Koefisien Korelasi
Y r= Y r = -1
0

X X
Koefisien Korelasi Linier Berganda (KKLB)

¡ Jika ingin diketahui kuatnya hubungan

antara variabel Y dengan beberapa
variabel X lainnya.
¡ Apabila KKLB dikuadratkan, maka akan
diperoleh Koefisien Penentuan
(Koefisien Determinasi), yaitu suatu
nilai untuk mengukur besarnya
sumbangan dari beberapa variabel X
terhadap variasi (naik turunnya)
variabel Y.
2 SSR
KP = r y .12 =
SST
 Contoh Kasus Biaya Iklan

(Jutaan Rupiah)
Penjualan

(Jutaan Rupiah)

Data biaya yang dikeluarkan Jan 2008 3.6 192

Feb 2008
untuk iklan (variabel bebas) dan
2.8 113

Mar 2008 2.8 88

data penjualan (variabel Apr 2008 4.1 294

dependen) sebuah perusahaan May 2008 1.9 128

tertentu adalah seperti pada tabel Jun 2008 3.2 123

di samping. Jul 2008 3.9 265

Aug 2008
Tentukanlah: 3.7 255

Sep 2008 3.1 249

a. Persamaan regresinya Oct 2008 3.5 275
b. Koefisien korelasi Nov 2008 2.8 245

c. Bila bulan berikutnya diinginkan Dec 2008 2.9 233

penjualan sebesar 250 juta, Jan 2009 3.1 287

maka berapa biaya iklan yang Feb 2009 3.4 299

Mar 2009
harus disiapkan?
3.6 301

Apr 2009 3.6 275

d. Berapa persen pengaruh biaya May 2009 3.4 279

iklan terhadap penjualan? Jun 2009 3.8 295

Jul 2009 3.8 255

Aug 2009 3.7 249

Sep 2009 3.9 275

Oct 2009 3.8 280

Penyelesaian
a) Persamaan regresi Y = a + bX
Y = Penjualan, X = Biaya Iklan
a & b dapat dicari dengan menggunakan SPSS (Analize > Regression >
Linear) sehingga output yang dihasilkan adalah:
Coefficientsa

a Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -48.872 73.037 -.669 .511
Biaya Iklan 85.083 21.362 .665 3.983 .001
b a. Dependent Variable: Penjualan

Sehingga persamaan regresinya menjadi Y = -48,872 + 85,083X

b) Koefisien Korelasi (r) = 0,665

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .665a .442 .414 50.42756
a. Predictors: (Constant), Biaya Iklan
c) Bila bulan berikutnya diinginkan Penjualan (Y) sebesar Rp 250 juta,
berapa Biaya Iklan (X) yang harus disiapkan?
Gunakan persamaan regresi Y = -48,872 + 85,083X

Maka 250 = -48,872 + 85,083 X

250 + 48,872 = 85,083 X
298,872 = 85,083 X
X = 298,872/85,083 = 3,51
Jadi biaya iklan yang harus disiapkan adalah Rp 3,51 juta

d) Pengaruh biaya iklan terhadap penjualan (koefisien determinasi R2)

R2 = r 2 x 100% = (0,665)2 x 100% = 44,22%
Maka besar pengaruh biaya iklan terhadap penjualan adalah
44,22%
Koefisien Determinasi (R2)
¡ Dihitung dengan mengkuadratkan koefisien korelasi (r2).
¡ Menyatakan besarnya kontribusi variabel X terhadap
perubahan variabel Y.

Koefisien Determinasi (R2)

Untuk mengetahui seberapa besar pengaruh variabel X terhadap
perubahan
variabel Y atau seberapa besar variasi Y dapat dijelaskan oleh X.
R2 = r2 x 100%

Misalkan : r = 0.8 maka R2 = 0.82 x 100% = 64%

artinya : Variabel Y dipengaruhi oleh variabel X sebesar 64%
sisanya 100-64 = 36% dipengaruhi faktor lain.
 Uji signifikansi koefisien korelasi

Hipotesis nol dan hipotesis alternatifnya adalah :

H0 : ρ = 0 H1 : ρ ≠ 0

Statistik uji : r n−2

t=
2
1− r

dengan v = n−2
•Daerah kritis, H0 ditolak bila
t > tα t < −t α
,n atau 2
,v
2

•Kesimpulan
¡ Dalam ilmu statistika, teknik yang
umum digunakan untuk
menganalisis hubungan antara dua
atau lebih variabel adalah analisis
regresi.
¡ Model matematis dalam
menjelaskan hubungan antar
variabel dalam analisis regresi
menggunakan persamaan regresi
Dalam suatu persamaan regresi terdapat 2
macam variabel, yaitu :

¡ Variabel dependen (variabel tak

bebas) adalah variabel yang nilainya
bergantung dari variabel lain.
Biasanya dinyatakan dengan Y.
¡ Variabel independen (variabel bebas)
adalah variabel yang nilainya tidak
bergantung dari variabel lain.
Biasanya dinyatakan dengan X.
Prinsip dasar

¡ Dalam membangun suatu persamaan

regresi adalah bahwa antara variabel
dependen dengan variabel independennya
mempunyai sifat hubungan sebab akibat
(hubungan kausalitas = causal
relationship), baik yang didasarkan pada
teori, hasil penelitian sebelumnya, ataupun
yang didasarkan pada penjelasan logis
tertentu.
Analisis Regresi Linier Sederhana :

¡ adalah suatu teknik yang digunakan untuk

membangun suatu persamaan garis lurus dan
menentukan nilai perkiraannya
¡ Hanya ada 1 variabel X dan 1 variabel Y.
¡ Suatu persamaan garis lurus yang menyatakan
hubungan antara variabel bebas X dan
variabel tidak bebas Y, dan digunakan untuk
memperkirakan nilai Y berdasarkan nilai X
disebut sebagai persamaan regresi
Analisis Regresi Linier Sederhana

Analisis regresi adalah analisis yang

mengkaji pola hubungan antara 2 variabel atau
lebih yaitu antara:

¡ variabel bebas (independent variable) dan

¡ variable tak bebas/terikat (dependent variable)

yang dinyatakan dalam suatu bentuk persamaan

matematis yaitu persamaan regresi yang
tujuannya adalah untuk meramalkan nilai variable
tak bebas (Y) berdasarkan variable bebas (X)
tertentu
Regresi Sederhana (simple regression)
yaitu analisis regresi yang hanya melibatkan
1 variabel X (variabel bebas).
◦ Regresi Linier : Regresi dengan bentuk
persamaan garis lurus
Langkah-langkah Analisis Regresi

¡ Buat Hipotesis Komponen-

komponen penelitian
Y = a + bX
¡ Estimasi Parameter-parameter
modelnya (a & b)
¡ Evaluasi model dengan menguji
parameter-parameter-nya
¡ Gunakan model untuk melakukan
prediksi
 Analisis Regresi Linier Sederhana
Y Regression Plot

Y = a + bX

¡ Bentuk persamaan regresi :

{
Yi

}
Y = a + bX Error: e i

b = Slope

}
a = intercept = Nilai Y pada X = 0
b = koefisien regresi
= rata-rata perubahan Y jika X a = Intercept

bertambah 1 unit
X = Variabel Bebas
Y = Variabel Tak Bebas
X

Xi
¡ Menghitung koefisien regresi
n∑ XY − ∑ X ∑ Y
b=
n∑ X 2 − (∑ X )2

∑ Y −b∑X
a =Y −b X =
n
 Metode kuadrat terkecil
¡ digunakan untuk menentukan persamaan linier
estimasi, berarti memilih satu garis linier dari
beberapa kemungkinan garis linier yang dapat
dibuat dari data yang ada yang mempunyai
kesalahan (error) paling kecil dari data aktual
dengan data estimasinya.
¡ Kriteria ini dikenal dengan prinsip kuadrat terkecil
(principle of least square).
¡ Prinsip pemilihan garis regresi ini adalah “pilih
garis yang mempunyai jumlah kuadrat deviasi
nilai observasi Y terhadap nilai Y prediksinya yang
minimum sebagai garis regresi yang paling baik”
 ¡ Persamaan regresi estimasi yang baik
secara umum
Yˆ = a + bX
dimana
Yˆ adalah nilai estimasi Y berdasarkan X yang dipilih.
a adalah titik potong Y. Merupakan nilai perkiraan
bagi Y ketika X = 0.
b adalah kemiringan garis, atau perubahan rata-rata
pada untuk setiap satu unit perubahan (baik naik atau
turun) pada variabel X.
X adalah sembarang nilai variabel bebas yang dipilih
¡ Nilai a dan b adalah :
(∑ X )(∑ Y )
J xy ∑ XY −
b= = n
J xx 2 (∑ X ) 2
X
∑ − n

a = Y − bX
Pengujian Terhadap Koefisien
Regresi

¡ Menentukan H0 dan H1
¡ H0 : β = 0.
¡ H1 : β ≠ 0.
¡ Taraf nyata
¡ Statistik uji : Tabel Anova
¡ Daerah kritis : jika F hitung > Fα ; (1, n-2),
maka H0 ditolak
¡ Kesimpulan
 Tabel Anova

Sumber Variasi db Jumlah Kuadrat F hitung

Kuadrat rata-rata

Regresi 1 JKR JKR / 1 JKR / s2

Galat n –2 JKG s2 = JKG /(n-2)

Total n-1 JKT

¡ JKR = b JXY
¡ JKT = JYY
¡ JKG = JKT - JKR
Analisis Regresi Linier Berganda

¡ Bentuk umum :

Yˆ = a + b1 X 1 + b2 X 2 + ..... + bk X k
Membangun Persamaan Regresi Linier
Berganda dengan Manual

¡ Besarnya koefisien a , b1, dan b2

dapat ditentukan dengan
menggunakan tiga persamaan
berikut ini
∑Y = na + b ∑ X
1 1 + b2 ∑ X 2
2
∑ X 1Y = a∑ X 1 + b1 ∑ X 1 + b2 ∑ X 1 X 2
2
∑ X Y = a∑ X
2 2 + b1 ∑ X 1 X 2 + b2 ∑ X 2
¡ Persamaan di atas dapat dinyatakan
dalam persamaan matriks

⎡ n ∑X ∑X
1 2 ⎤ ⎡ a ⎤ ⎡ ∑Y ⎤
⎢ 2 ⎥ ⎢b ⎥ = ⎢ X Y ⎥
⎢∑ X1 ∑X ∑X X
1 1 2⎥ ⎢ 1 ⎥ ⎢∑ 1 ⎥
2
⎢∑ X 2 ∑X X ∑X ⎥ ⎢⎣b2 ⎥⎦ ⎢⎣∑ X 2Y ⎥⎦
⎣ 1 2 2 ⎦

A b H

Jadi = A b = H à b = A-1 H ,
dimana A-1 adalah invers dari A.
 Membangun Persamaan Regresi Linier
Berganda dengan Komputer
The regression equation is
y = - 11.5 + 1.47 x1 + 6.59 x2

Predictor Coef StDev T P

Constant -11.452 9.231 -1.24 0.255
x1 1.4671 0.5491 2.67 0.032
x2 6.588 4.550 1.45 0.191

S = 7.889 R-Sq = 88.7% R-Sq(adj) = 85.5%

Analysis of Variance

Source DF SS MS F P
Regression 2 3427.9 1714.0 27.54 0.000
Error 7 435.7 62.2
Total 9 3863.6