BAB I

PENDAHULUAN

1.1 Latar Belakang

Tinggi badan merupakan ukuran tubuh manusia yang diukur dari tumit sampai
puncak kepala dengan posisi badan berdiri tegak sedangkan berat badan adalah ukuran
yang lazim atau sering dipakai untuk menilai keadaan suatu gizi manusia. Penentuan
berat badan yang ideal biasanya dilakukan dengan pengukuran BMI atau Body Mass
Index. Body Mass Index (BMI) atau Indeks Massa Tubuh (IMT) adalah angka yang
menentukan apakah berat badan Anda ideal, kurang, atau berlebih. Faktor yang
menentukan dalam angka BMI adalah tinggi badan. Penulisan laporan ini dilakukan
untuk mengetahui pengaruh tinggi badan terhadap berat badan secara analisis regresi
dan korelasi linear.

1.2 Tujuan
1. Memahami Regresi Linier
2. Memahami Korelasi Linier

1.3 Rumusan Masalah

1. Apakah tinggi badan berpengaruh terhadap berat badan?

2. Bagaimana hubungan antara tinggi badan dengan berat badan?

1.4 Hipotesa

1. Tinggi badan berpengaruh terhadap berat badan.

2. Tinggi badan dan berat badang memiliki hubungan yang kuat.

1
 BAB II

TINJAUAN PUSTAKA

2.1 Regresi Linear

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
variabel independent. Koefisien ini diperoleh dengan cara memprediksi nilai variabel
dependent.

2.2 Persamaan Regresi Linear

Persamaan regresi linier dari Y terhadap X dirumuskan sebagai berikut:

Y = a + bX

2
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.
Untuk memudahkan perhitungan analisis regresi berikut ini rumusnya :

Gambar 2.1 Rumus Regresi Linear

3
2.3 Korelasi
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.
Berikut ini adalah daftar Koefisien korelasi :
0 - 0,20 = sangat rendah (hampir tidak ada hubungan)
0,21-0,40 = korelasi yang rendah
0,41-0,60 = korelasi sedang
0,61-0,80 = cukup tinggi
0,81-1,00 = korelasi tinggi

4
Gambar 2.2 Bentuk Hubungan Korelasi Linear

5
 BAB III
HASIL DAN PEMBAHASAN

3.1 Hasil Perhitungan Data

Data yang didapatkan merupakan data sekunder hasil survey tinggi dan berat
badan mahasiswa angkatan 2018 fakultas Teknik Universitas Hasanuddin.

Tabel 3.1 Tabel Data dan Perhitungan

No x (Tinggi Badan) y (Berat Badan) xy x^2 y^2
1 156 39 6084 24336 1521
2 172 48 8256 29584 2304
3 160 42 6720 25600 1764
4 152 38 5776 23104 1444
5 165 45 7425 27225 2025
6 155 40 6200 24025 1600
7 151 38 5738 22801 1444
8 159 43 6837 25281 1849
9 171 50 8550 29241 2500
10 170 50 8500 28900 2500
11 167 49 8183 27889 2401
12 154 42 6468 23716 1764
13 154 42 6468 23716 1764
14 168 50 8400 28224 2500
15 170 52 8840 28900 2704
16 165 49 8085 27225 2401
17 158 45 7110 24964 2025
18 158 45 7110 24964 2025
19 158 45 7110 24964 2025
20 147 39 5733 21609 1521
21 163 48 7824 26569 2304
22 159 46 7314 25281 2116
23 157 45 7065 24649 2025
24 178 58 10324 31684 3364
25 170 53 9010 28900 2809
26 165 50 8250 27225 2500
27 165 50 8250 27225 2500
28 165 50 8250 27225 2500
29 165 50 8250 27225 2500
30 156 45 7020 24336 2025
31 177 58 10266 31329 3364
32 164 50 8200 26896 2500

6
33 164 50 8200 26896 2500
34 150 42 6300 22500 1764
35 162 49 7938 26244 2401
36 170 54 9180 28900 2916
37 173 56 9688 29929 3136
38 163 50 8150 26569 2500
39 166 52 8632 27556 2704
40 162 50 8100 26244 2500
41 157 47 7379 24649 2209
42 169 55 9295 28561 3025
43 169 55 9295 28561 3025
44 156 47 7332 24336 2209
45 160 50 8000 25600 2500
46 164 53 8692 26896 2809
47 180 64 11520 32400 4096
48 159 50 7950 25281 2500
49 165 54 8910 27225 2916
50 147 43 6321 21609 1849
51 160 51 8160 25600 2601
52 163 53 8639 26569 2809
53 173 60 10380 29929 3600
54 164 54 8856 26896 2916
55 153 47 7191 23409 2209
56 169 58 9802 28561 3364
57 173 61 10553 29929 3721
58 177 64 11328 31329 4096
59 161 53 8533 25921 2809
60 171 60 10260 29241 3600
61 171 60 10260 29241 3600
62 156 50 7800 24336 2500
63 169 59 9971 28561 3481
64 163 55 8965 26569 3025
65 170 60 10200 28900 3600
66 155 50 7750 24025 2500
67 158 52 8216 24964 2704
68 158 52 8216 24964 2704
69 171 61 10431 29241 3721
70 160 54 8640 25600 2916
71 172 63 10836 29584 3969
72 153 50 7650 23409 2500
73 166 59 9794 27556 3481
74 163 57 9291 26569 3249
75 169 62 10478 28561 3844
76 166 60 9960 27556 3600

7
 77 172 65 11180 29584 4225
78 165 60 9900 27225 3600
79 171 65 11115 29241 4225
80 170 65 11050 28900 4225
81 160 58 9280 25600 3364
82 160 58 9280 25600 3364
83 155 56 8680 24025 3136
84 156 57 8892 24336 3249
85 169 67 11323 28561 4489
86 172 70 12040 29584 4900
87 157 59 9263 24649 3481
88 163 64 10432 26569 4096
89 155 58 8990 24025 3364
90 160 62 9920 25600 3844
91 166 68 11288 27556 4624
92 166,5 69 11488,5 27722,25 4761
93 164 67 10988 26896 4489
94 155 60 9300 24025 3600
95 152 59 8968 23104 3481
96 165 70 11550 27225 4900
97 155 65 10075 24025 4225
98 175 85 14875 30625 7225
99 168 86 14448 28224 7396
100 162 90 14580 26244 8100
JUMLAH 16327,5 5463 895563,5 2670933,3 307629
AVERAGE 163,275 54,63 8955,635

1) Persamaan Garis Regresi

8
 100.895563,5−16327,5.5463
b= = 0,709819565
100.2670933,3−(16327,5)2

a = 54,63 - 0,709819565. 163,275 = -61,26578948

Maka Y= 0,709819565x – 61,26578948

2) Korelasi Linier

100.895563,5−16327,5.5463
R= = 0,526872846
√(100.2670933,32 − 16327,52 )(100.3076292 − 54632 )

3) Diagram Scatter
Berikut adalah diagram scatter berdasarkan hasil perhitungan di atas.

Analisis Regresi dan Korelasi Linier

Tinggi Badan dan Berat Badan
100
90
80 y = 0,7098x - 61,266
Berat Badan

70 R = 0,5269
60
50
40
30
20
10
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190

Tinggi Badan

Gambar 3.1 Diagram Scatter

Diagram scatter di atas menunujukkan bentuk hubungan korelasi yang positif

karena garis liniernya mengarah ke arah sumbu x positif dan sumbu y positif dan

9
hubungan yang dinyatakan oleh garis linier tersebut adalah semakin besar nilai x maka
semakin besar nilai y.

3.2 Pembahasan

1. Regresi Linear
Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui
pengaruh antara satu atau beberapa variabel terhadap satu buah variabel.

 Prediksi Y
Persamaan regresi linear yang didapatkan adalah Y= 0,709819565x –

61,26578948, prediksi Y adalah:

a. Jika tinggi badan seseorang 150 maka berat badannya adalah:

Y= 0,709819565(150) – 61,26578948 = 45 kg
b. Jika tinggi badan seseorang 160 maka berat badannya adalah:

Y= 0,709819565(160) – 61,26578948 = 52 kg
c. Jika tinggi badan seseorang 170 maka berat badannya adalah:

Y= 0,709819565(170) – 61,26578948 = 59 kg
2. Korelasi

Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui

keeratan hubungan antara dua variabel dan untuk mengetahui arah hubungan yang
terjadi. Untuk menyatakan hubungan antara dua variabel maka diperlukan parameter
yaitu koefisien korelasi. Koefisien korelasi sederhana menunjukkan seberapa besar
hubungan yang terjadi antara dua variabel.
Berikut adalah klasifikasi Koefisien korelasi :
0 - 0,20 = sangat rendah (hampir tidak ada hubungan)
0,21-0,40 = korelasi yang rendah
0,41-0,60 = korelasi sedang
0,61-0,80 = cukup tinggi
0,81-1,00 = korelasi tinggi
Berdasarkan hasil perhitungan nilai korelasi sebelumnya yaitu didapatkan nilai
korelasi adalah 0,526872846 maka korelasi antara tinggi badan dan berat badan
adalah korelasi sedang.

10
 BAB IV

PENUTUP

4.1 Kesimpulan

Berdasarkan hasil perhitungan statistik yang telah dilakukan diketahui bahwa

variabel tinggi badan Seseorang berpengaruh terhadap variabel berat badan Seseorang
dan pengaruhnya bersifat positif (nilai koefisien regresinya sebesar 0,709819565).
Artinya jika Semakin tinggi seseorang maka berat badan jugasemakin tinggi sedangkan
berdasarkan nilai koefisien korelasi diketahui bahwa variabel independen (tinggi badan)
mempunyai hubungan yang sedang variabel dependen (berat badan) yaitu nilai koefisien
Korelasinya adalah 0,526872846.

4.2 Saran

Dalam melakukan perhitungan statistik sangat diperlukan ketelitian dan

kesabaran agar hasil yang didapatkan juga akurat.

11
 DAFTAR PUSTAKA

Hasan, Ikbal. 2003. Pokok-pokok Materi Statistik 2. Jakarta: Bumi Aksara.

Sudjana. 2005. Metoda Statistika. Bandung: Tarsito
E. Walpole. R. Pengantar Statistika. Jakarta: Gramedia Pustaka Utama,1993.

12