Pengertian Regresi dan Korelasi

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, orang tua yang pendek memiliki anak-anak yang pendek pula. Kendati demikian. Ia
mengamati bahwa ada kecenderungan tinggi anak cenderung bergerak menuju rata-rata tinggi populasi secara keseluruhan. Dengan kata lain,
ketinggian anak yang amat tinggi atau orang tua yang amat pendek cenderung bergerak kearah rata-rata tinggi populasi. Inilah yang disebut
hukum Golton mengenai regresi universal. Dalam bahasa galton, ia menyebutkan sebagai regresi menuju mediokritas.
Hukum regresi semesta (law of universal regression) dari Galton diperkuat oleh temannya Karl Pearson, yang mengumpulkan lebih dari seribu
catatan tinggi anggota kelompok keluarga. Ia menemukan bahwa rata-rata tinggi anak laki-laki kelompok ayah (yang) pendek lebih besar dari pada
tinggi ayah mereka, jadi “mundurnya” (“regressing”) anak laki-laki yang tinggi maupun yang pendek serupa kea rah rata-rata tinggi semua laki-
laki. Dengan kata lain Galton, ini adalah “kemunduran kearah sedang”.
Secara umum, analisis regresi pada dasarnya adalah studi mengenai ketergantungan satu variabel dependen (terikat) dengan satu atau lebih
variabel independent (variabel penjelas/bebas), dengan tujuan untuk mengestimasi dan/ atau memprediksi rata-rata populasi atau niiai rata-rata
variabel dependen berdasarkan nilai variabe! independen yang diketahui. Pusat perhatian adalah pada upaya menjelaskan dan mengevalusi
hubungan antara suatu variabel dengan satu atau lebih variabel independen.
Hasil analisis regresi adalah berupa koefisien regresi untuk masing-masing variable independent. Koefisien ini diperoleh dengan cara memprediksi
nilai variable dependen dengan suatu persamaan.
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran asosiasi / hubungan (measures of association). Pengukuran
asosiasi merupakan istilah umum yang mengacu pada sekelompok teknik dalam statistik bivariat yang digunakan untuk mengukur kekuatan
hubungan antara dua variabel.
Analisis 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.
Dalam korelasi sempurna tidak diperlukan lagi pengujian hipotesis, karena kedua variabel mempunyai hubungan linear yang sempurna. Artinya
variabel X mempengaruhi variabel Y secara sempurna. Jika korelasi sama dengan nol (0), maka tidak terdapat hubungan antara kedua variabel
tersebut. Dalam korelasi sebenarnya tidak dikenal istilah variabel bebas dan variabel tergantung. Biasanya dalam penghitungan digunakan simbol X
untuk variabel pertama dan Y untuk variabel kedua. Dalam contoh hubungan antara variabel remunerasi dengan kepuasan kerja, maka variabel
remunerasi merupakan variabel X dan kepuasan kerja merupakan variabel Y.
Analisis 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.
2.2 Analisis Regresi dan Korelasi
Jika dalam analisis korelasi peneliti hanya tertarik pada derajat asosiasi atau kecenderungan umum dua buah peubah atau lebih, maka dalam
analisis regresi peneliti ingin memperoleh hubungan fungsional antara dua peubah yang dinyatakan dalam bentuk , Y a bX = + yang merupakan
penduga dari fungsi yang ada pada populasi yang biasa dinotasikan dengan 0 1 , atau = , Y X Y X α βββ = ++ atau untuk peubah bebas lebih dari
satu dinyatakan sebagai = ,… Y X X β ββ ++ Melalui analisis regresi peneliti ingin menghitung nilai penduga untuk j β yang sesuai dengan data.
Selain melakukan penghitungan nilai penduga untuk j β juga sekaligus melakukan uji apakah nilainya signifikan atau dapat diabaikan (tidak
signifikan). Regresi mengukur seberapa besar suatu variabel mempengaruhi variabel yang lain, sehingga dapat digunakan untuk melakukan
peramalan nilai suatu variabel berdasarkan variabel lain. Analisa regresi ada dua : Analisa Regresi Sederhana dan Analisis Regresi Berganda.
Analisis regresi linier berganda adalah hubungan secara linear antara dua atau lebih variabel independen (X1, X2,….Xn) dengan variabel dependen
(Y). Analisis ini untuk mengetahui arah hubungan antara variabel independen dengan variabel dependen apakah masing-masing variabel
independen berhubungan positif atau negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami
kenaikan atau penurunan. Data yang digunakan biasanya berskala interval atau rasio.
Analisis regresi sederhana hanya terdiri atas satu peubah bebas (peubah penjelas/eksplanatori) X dan satu peubah terikat (respon) Y dengan
hubungan linier. Kedua peubah ini merupakan peubah kuantitatif, khusus untuk Y harus dengan skala interval atau rasio. Dengan visualisasi secara
geometris dapat ditafsirkan bahwa dengan analisis regresi kita ingin menduga garis populasi yang sesungguhnya tidak pernah diketahui (garis lurus
putus-putus) berdasarkan sampel pasangan data pada sampel. Persoalanvini merupakan persoalan estimasi uji inferensi daam regresi. Garis regresi
penduga ini dapat dipergunakan untuk meramal (prediksi) rentang rata-rata nilai Y pada saat nilai X diketahui, demikian juga rentang nilai-nilai Y
pada saat nilai tertentu dari X .
Berikut ini adalah contoh rumus :
Keterangan :
Y = nilai yang diukur/dihitung pada variabel tidak bebas
x = nilai tertentu dari variabel bebas
a = intersep/perpotongan garis regresi dengan sumbu y
b = koefisien regresi /kemiringan dari garis regresi/untuk mengukur kenaikan atau penurunan y untuk setiap perubahan satu-satuan x /untuk
mengukur besarnya pengaruh x terhadap y kalau x naik satu unit.
Analisa Korelasi digunakan untuk mengukur kekuatan keeratan hubungan antara dua variabel melalui sebuah bilangan yang disebut koefisien
korelasi. Dalam analisis korelasi, kita menghitung derajat asosiasi antara satu peubah peubah lain (misalnya antara berat badan dan tinggi badan,
antara berat dengan kolesterol, antara nilai IQ dengan perolehan nilai ujian mata matematika dan sebagainya). Ada dua jenis ukuran korelasi yang
banyak yaitu:
1. Korelasi produk momen Pearson untuk mengukur derajat asosiasi beberapa peubah dengan skala interval atau rasio.
2. Korelasi Spearman untuk mengukur derajat asosiasi antara beberapa dengan skala ordinal (rank).
• Koefisien korelasi linier ( r ) adalah ukuran hubungan linier antara dua variabel/peubah acak X dan Y untuk mengukur sejauh mana titik-titik
menggerombol sekitar sebuah garis lurus regresi. Berikut ini adalah rumus dari Korelasi :

Koefisien korelasi atau derajat asosiasi dua peubah (dinotasikan dengan r). Besarnya r berkisar antara -1<.r<1. Ilustrasi grafik sebaran data
dengan berbagai nilai korelasi dapat disajikan dalam bentuk diagram pencar.
Kegunaan diagram pencar :
1. Membantu menunjukkan apakah terdapat hubungan yang bermanfaat antara dua variabel.
2. Membantu menetapkan tipe persamaan yang menunjukkan hubungan antara kedua variabel tersebut.
3. Menentukan persamaan garis regresi atau mencari nilai-nilai konstan.

• Koefisien Determinasi ( r2 )
1. nilainya antara 0 dan 1
2. untuk menyatakan proporsi keragaman total nilai-nilai peubah Y yang dapat dijelaskan oleh nilai-nilai peubah X melalui hubungan linier tersebut.
3. Contoh : r = 0,6 artinya 0,36 atau 36 % diantara keragaman total nilai-nilai Y dapat dijelaskan oleh hubungan liniernya dengan nilai-nilai X. atau
Besarnya sumbangan X terhadap naik turunnya Y adalah 36 % sedangkan 64 % disebabkan oleh faktor lain.

2.3 Perbedaan Regresi dan Korelasi

Pernyataan yang sering kita dengan adalah bahwa regresi dimengerti dengan kata kunci pengaruh, dan korelasi dimengerti dengan kata kunci
hubungan. Pengertian sederhana itu tidaklah salah, akan tetapi, tidak ada salahnya juga kita memahami secara lebih lanjut tentang 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 mempelajari bentuk hubungan antar variabel mealui suatu persamaan. Persamaan yang digunakan untuk melihat hubungan antar variabel
adalah Regresi Linear Sederhana (RLS), Regresi Linear Berganda (RLB), dan Regresi non Linear.
Regresi bisa berupa hubungan sebab akibat.
Regresi mengukur seberapa besar suatu variabel mempengaruhi variabel yang lain, sehingga dapat digunakan untuk melakukan peramalan nilai
suatu variabel berdasarkan variabel lain.
Korelasi juga mempelajari hubungan antar variabel, tetapi digunakan untuk melihat seberapa erat hubungan antar dua variabel kuantitatif dilihat
dari besarnya angka dan bukan dari tandanya.
Dengan menggunakan korelasi, kita dapat mengetahui arah hubungan yang terjadi dalam dua variabel. Jika korelasi bertanda positif artinya
berbanding lurus dan jika bertanda negatif maka berbanding terbalik.
Korelasi tidak bisa menyatakan hubungan sebab akibat meskipun angka korelasinya tinggi. Misal ada dua pernyataan:
1. tanaman mati kekeringan di musim kemarau
2. pupuk kompos diberikan saat musim kemarau
Dari kedua pernyataan di atas, kita tidak dapat mengatakan bahwa pupuk kompos menyebabkan tanaman mati meskipun korelasinya tinggi.
2.4 Manfaat Korelasi dan Regresi
Kegunaan Analisis Korelasi dan Regresi. Dalam kebanyakan fenomena alam, menaksir rerata populasi, atau menguji perbedaan dua rerata dengan
teknik uji statistika, baik yang memerlukan asumsi sebaran khusus (parametrik) mau pun yang tidak ketat asumsi sebarannya (nonparametrik)
menjadi tidak efisien dan tidak efektif lagi. Hal ini disebabkan oleh banyaknya peubah yang berhubungan dan saling menjelaskan antara yang satu
dengan yang lainnya. Misalnya, kita akan memperkirakan nilai jual sebuah rumah di suatu daerah tertentu. Kita dapat mengambil sampel acak dari
ratusan rumah yang ada dalam daerah tersebut, kemudian kita menghitung rerata harga jualnya. Tetapi, menggunakan metode ini, kita
mengabaikan informasi yang mudah diamati, misalnya luas lantai, banyaknya kamar tidur, banyaknya kamar mandi, dan umur rumah tersebut.
Informasi ini akan lebih bermanfaat kalau digunakan menaksir nilai jual rumah yang bersangkutan.

Dari latar belakang yang kita perhatikan di atas, metode atau analisis korelasi dan regresi merupakan topik penting untuk dibicarakan. Metode
korelasi dapat mengukur kuatnya hubungan antara dua peubah yang sifat hubungannya simetris atau timbal balik Seperti metode korelasi; metode
regresi sudah menjadi bagian integral dari setiap analisis data yang memperhatikan hubungan antara satu peubah tanggapan (response variable)
dengan satu atau lebih peubah penjelas (explanatory variables). Istilah peubah tanggapan kadang-kadang juga disebut peubah terikat atau terikat
(dependent variable), dan peubah penjelas disebut peubah penaksir (predictor variable) atau peubah bebas (independent variable). Penggunaan
istilah ini biasanya disesuaikan dengan situasi peubah-peubah yang dipelajari hubungannya, dan juga selera penggunanya.
Pertama-tama kita akan membicarakan masalah yang berkaitan dengan nilai rerata suatu peubah terikat Y (katakanlah harga jual rumah) terhadap
suatu peubah bebas X (misalnya luas lantai rumah) dengan menggunakan hubungan linear. Model ini disebut model linear karena semua peubah
yang muncul dalam model itu berpangkat satu. Kalau dilihat dari banyaknya peubah bebas dalam model, maka model itu disebut model linear
sederhana, karena hanya mempunyai satu peubah bebas.
Dalam hal mempelajari hubungan antarpeubah, regresi linear bukan satu-satunya model yang harus digunakan, kita juga dapat menggunakan
model nonlinear, seperti model kuadratik, kubik, eksponen, logaritma, dan lain-lain. Penentuan model tergantung pada sifat peubah atau Pemilihan
Peubah dalam Model populasi tempat data diambil. Sebelum menentukan model pilihan, kita perlu mengadakan suatu diagnosis terhadap data yang
diperoleh. Diagram pencar adalah salah satu alat diagnosis untuk mendapatkan gambaran tentang hubungan antara peubah bebas dan peubah
terikat. Dari diagram pencar itu, kita dapat memperkirakan bahwa model yang relevan adalah linear atau nonlinear.