BAB I

PENDAHULUAN

A. LATAR BELAKANG

 Terdapat kejadian– kejadian , kegiatan- kegiatan, atau masalah- masalah

yang saling berhubungan satu sama lain
 Dibutuhkan analisis hubungan antara kejadian tersebut
 Perlu dibahas mengenai bentuk hubungan yang ada atau diperkirakan ada
antara kedua perubah tersebut

B. TUJUAN

 Menjelaskan definisi dari regresi dan korelasi

 Menentukan variabel-variabel yang terkait dalam hubungannya dengan
regresi dan korelasi linear sederhana
 Menentukan bentuk persamaan dari Regresi maupun korelasi sederhana
 Memahami Analisis Varian dalam pengujian keberartia regresi Linear
sederhana
 Menentukan langkah-langkah dalam mencari nilai a dan b pada regresi
linear secara manual
 BAB II
PEMBAHASAN

Analisis regresi digunakan untuk mempelajari dan mengukur hubungan

statistik yang terjadi antara dua atau lebih varibel. Dalam regresi sederhana dikaji
dua variabel, sedangkan dalam regresi berganda dikaji lebih dari satu variabel.
Dalam Analisis regresi suatu persamaan regresi hendak ditentukan dan digunakan
untuk menggambarkan 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 variabel bebas (independent variable atau explanatory variable)
adalah variabel yang diasumsikan memberikan pengaruh terhadap variasi variabel
terikat dan biasanya diplot pada sumbu datar (sumbu-x).
Analisis korelasi bertujuan untuk mengukur "seberapa kuat" atau "derajat
kedekatan" suatu relasi yang terjadi antar variabel. Analisis regresi ingin
mengetahui pola relasi dalam bentuk persamaan regresi, Analisis korelasi ingin
mengetahui kekuatan hubungan tersebut dalam koefisien korelasinya. Dengan
demikian biasanya Analisis regresi dan korelasi sering dilakukan bersama-sama.
Dalam menentukan apakah terdapat suatu hubungan yang logis antar
variabel, terutama bila penilaian dilakukan terhadap angka-angka statistik saja,
perlu diperhatikan beberapa hal yang berkaitan dengan masuk akal atau tidaknya
hubungan tersebut jika ditinjau dari sifat dasar hubungan tersebut. Terdapat
beberapa kemungkinan bentuk relasi meliputi hubungan sebab akibat (cause-and-
effect relationship), hubungan akibat penyebab yang sama (common-cause factor
relationship) hubungan semu (spurious relationship).Langkah pertama dalam
mengAnalisis relasi antar variabel adalah dengan membuat diagram pencar
(scatter diagram) yang menggambarkan titik-titik plot dari data yang diperoleh.
Diagram pencar ini berguna untuk membantu dalam melihat apakah ada relasi
yang berguna antar variabel, membantu dalam menentukan jenis persamaan yang
akan digunakan untuk menentukan hubungan tersebut.
 Linier positif Linier negatif

Curvelinier positif Curvelinier negatif

 Curvelinier positif Curvelinier negatif

Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui

pengaruh antara satu atau beberapa variabel terhadap satu buah variabel. Variabel
yang mempengaruhi sering disebut variabel bebas, variabel independen atau
variabel penjelas. Variabel yang dipengaruhi sering disebut dengan variabel terikat
atau variabel dependen.
Secara umum regresi linear terdiri dari dua, yaitu regresi linear sederhana
yaitu dengan satu buah variabel bebas dan satu buah variabel terikat; dan regresi
linear berganda dengan beberapa variabel bebas dan satu buah variabel terikat.
Analisis regresi linear merupakan metode statistik yang paling jamak
dipergunakan dalam penelitian-penelitian sosial, terutama penelitian ekonomi.
Program komputer yang paling banyak digunakan adalah SPSS (Statistical
Package For Service Solutions).
A. Regresi Linear Sederhana
Analisis regresi linier sederhana ialah suatu alat analisis dalam ilmu
statistik yang berguna untuk mengukur hubungan matematis antara 2 peubah.
Sebelum dapat melakukan analisis korelasi linier sederhana diperlukan
syarat-syarat atau asumsi sebagai berikut :

1. Terdapat hubungan logika antara peubah yang akan diregresikan

2. Skala peubah sekurang-kurangnya skala selang (interval)
3. Terdapat studi awal (penelitian, referensi, jurnal, pustaka, dll) yang
menunjukan indikasi hubungan antara 2 peubah yang akan diregresikan *
4. Terdapat hubungan sebab akibat antara 2 peubah yang akan diregresikan

Syarat nomor 3 di atas merupakan opsional, jika penelitian mengenai

hubungan antara peubah yang dikorelasikan belum pernah dilakukan sebelumnya.
Hasil dari suatu analisis regresi linier tidak lain adalah persamaan linier
Y = a + bX.
Y = disebut dengan peubah terikat atau peubah respons atau peubah akibat.
X = disebut dengan peubah bebas atau peubah faktor atau peubah sebab.
a dan b = disebut dengan parameter regresi dugaan atau statistik regresi

Statistik regresi dapat didapatkan dengan berbagai cara, diantaranya ialah

dengan menggunakan metode tangan bebas dan metode kuadrat terkecil.
Dengan menggunakan metode kuadrat terkecil maka nilai a dan b dapat
langsung dicari menggunakan rumus di bawah ini :
Y  X i i
2
  X i  X iYi
a  Y  bX  i i i i

 
2
dan
n X i2    X i 
i  i 
n X i Yi   X i  Yi
b i i i
2
 
n X i2   X i 
i  i 
Contoh 1

Dari suatu praktikum fisika dasar diperoleh data yang menghubungkan

variabel bebas x dan variabel terikat y seperti ditunjukkan dalam tabel berikut.

Uji ke- x Y
1 5 10
2 7 15
3 9 21
4 11 24
5 13 30
6 15 37
 60 137
Jika berdasarkan kajian teoritis dan sifat dari fenomena yang menghubungkan x
dan y dapat diasumsikan mempunyai bentuk hubungan linier, maka persamaan
garis regresinya dapat ditentukan sebagai berikut.

Tabel perhitungan:
Uji ke- x y xy x2 y2
1 5 10 50 25 100
2 7 15 105 49 225
3 9 21 189 81 441
4 11 24 264 121 576
5 13 30 390 169 900
6 15 37 555 225 1369
 60 137 1553 670 3611

Kolom y2 ditambahkan pada 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:

a
  x   y     x   xy 
2

n  x     x 
2 2

a
 670137    601553
6 137    60 
2

a   3,309523

Sedangkan b
n  xy     x   y 
b
n  x    x
2 2

 6 1553   60 137 
b
6 137    60 
2

b  2,614285714

Jadi persamaan garis regresi linier yang menggambarkan hubungan antara

variabel x dan y dari data sampel pada percobaan/praktikum di atas adalah:

y   3,31  2,61 x

Dengan menggunakan persamaan garis regresi yang diperoleh, maka dapat

diperkirakan hasil yang akan diperoleh (nilai y) untuk suatu nilai x tertentu. Untuk
mendapatkan titik koordinat untuk menggambarkan garis berdasarkan persamaan
garis yang sudah diperoleh, dengan menggunakan tabel bantu kita dapat melihat
dan menentukan titik koordinat sebagai acuan dalam membuat garis

y   3,31  2,61 x sebagai berikut :

^
x y
0 -3.31
1 -0.7
2 1.91
3 4.52
4 7.13
5 9.74
6 12.35
7 14.96

Dengan demikian dapat kita gambarkan grafik persamaan garisnya sebagai

berikut


y   3,31  2,61 x

Uji Keberartian Koefisien Regresi

Untuk uji keberartian regresi linear menggunakan bentuk hipotesis yang
dinyatakan sebagai berikut
 H 0 : b  0; Tidak ada hubungan linear antara var iabel x & y
H 0 : b  0; ada hubungan linear antara var iabel x & y

Dengan metode kuadrat terkecil maka kita peroleh :

  
n n 2

 (Yi  Y .) 2   i  Y .  (Yi Y i)
i 1 i 1

 
n n

 (Yi  Y .) 2   ˆ(Y  Y .) 2  (Yˆi  Y .)(Yi  Yˆi )  (Yi  Yˆi ) 2

i 1 i 1

Dari persamaan diatas maka diperoleh :

n  y 2

JK total = y
i 1
2

n

JK Regresi = b   xy 
 x  y 
n 
 
JK Galat = JK Total – JK REG
Untuk menetukan apakah garis regresi yang kita peroleh cukkup dapat
dipercaya maka kita dapat mengujinya dengan uji F seperi tabel sidik ragam
dibawah ini

Sumber Derajat Jumlah Kuadrat tengah F F tabel

keragaman bebas kuadrat hitung 0,05 0,01
Regresi x JK R JKR KTR
 KTR
x KTG
JKG
Galat n-2 JK G  KTG
n2

Total n-1 JK T

KTR
Jika hasil hitungan yaitu F hitung ( )≥ dari F tabel (0,05; p,n-1-p)
KTG
maka dapat disimpulkan persamaan garis regresi nyata (P<0,05) bentuk

KTR
persamaannya seperti yang kita duga demikian pula jika F hitung ( )≥ dari F
KTG
tabel (0,05; p,n-1-p) maka dapat disimpulkan persamaan garis regresi sangat nyata
(P>0,05) atau dengan kata lain persamaaan garis regresi tersebut tidak bisa kita
terima sebagai penduga hubungan antara peubah (X) dengan Peubah (Y)..
Bila bentuk hubungan antar peubah X dengan peubah Y sudah dapat kita
terima maka kita ingin pula mengetahui seberapa besar keeratan
hubungannya(korelasinya). Walaupun bentuk hubungan antara peubah X dengan
peubah Y ada dalam bentuk yang benar belum tentu korelasinya bsar karena
banyak peubah lain yang turut mempengaruhi perubahan peubah Y.
Berdasarkan contoh pada soal diatas, kita akan menguji keberartian
koefisien regresinya :

JK Total y
n
2

 y 2

i 1 n

 3611 
137  2
6
 482, 33333

JK Re gresi

 b   xy 
 x  y 
 n 
 

 2,614286 1553 
 60137 

 6 
 478,4143

JK Galat  JK Total  JK Re gresi

 482,833333  478,4143
 4,419047

Jadi tabel sidik ragamnya adalah :

Sumber Derajat F F tabel
 keragaman bebas Jumlah Kuadrat hitung 0,05 0,01
kuadrat tengah
Regresi 1 478,4143 478,4143 433,047474 7,71 8,29

Galat 4 4,419047 1,10476

Total 5 482,83333

Jadi dapat disimpulkan bahwa persamaan garis regresi yang diperoleh sangat
nyata (P<0,01) karena F hitung> F tabel pada taraf signifikansi 0,01
(289,89>8,29)
JKregresi 1692,652
Jadi r  JKTotal  1797,750  0,9415
2

Jadi dengan menggunakan persamaan garis regresi penduga Yi =-2,442 + 4,103 Xi

banyaknya jumlah telur cacing pada usus ayam buras sekitar 94,15 % ditentukan
oleh banyaknya cacing dalam usus tersebut sedangkan 5,85 % ditentukan atau
dipengaruhi oleh factor lain.
Jadi kereratan hubungan (r=±√0,9415=0,9703) dalam persamaan ini diambil
hanya r positip karena dengan bertambah besarnya nilai Xi nilai Yi juga
meningkay. Untuk menyatakan apakah hubungan cukup berarti maka besarnya r
ini dapat kita bandingkan dengan r tabel.
Jika r hitung ≥ r tabel (0,05:p,db=n-p-1) maka disimpulkan keeratan
hubungannya nyata (P>0,05) dan jika r hitung≥r tabel (0,01;p,db=n-p-1)maka
disimpulkan keeratan hungannya sangat nyata (P<0,01) sedangkan jika r hitung< r
tabel (0,05;p,db=n-p-1) maka disimpulkan keeratan hubungannya tidak nyata
(P<0,01)
Bila persamaan garis regresi derajat polinomnya atau peubah bebasnya (X)
lebih besar dari satu maka perlu dilakukan pengujian terhadap koefisien garis
regresinya (βj yaitu β1,β2,…………,βp), untuk mengetahui βj yang mana yang
menentukan ketepatan dan ketelitian garis regresinya yang diperoleh.
Misalkan terdiri dari p peubah bebas maka modelnya menjadi Yi = β o + β1Xi1+
………..+βpXip dengan persamaan normalnya :
 X 'Y X'X 
 disini d=p+1
dxi dxd dx1

 n   n n n

  Yi   n  Xi1  Xi 2 .......... ...  Xip 
 n i 1   n i 1
n n
i 1
n
i 1

 Xi1Yi   Xi1Xip 

 i 1 
  i 1
Xi1 i 1
X i2 1 i 1
Xi1Xi 2 .......... ... i 1

 n  n n n n 2
  Xi 2Yi    Xi 2  Xi 2 Xi1  X i2 .......... ....  Xi 2 Xip 
 i 1   i 1 i 1 i 1 i 1 
 ..........  .......... ...... .......... ....... .......... ....... .......... ... .......... ...... 
 n   n n n n

  XipYi    Xip  XipXi1  XipXi1 .......... ....  2
X i p 
 i 1   i 1 i 1 i 1 i 1 
Jadi :β= (X’X)-1X’Y

Jika elemen-elemen matrik X kita kurangi dengan rata-rata elemen-elemen tiap

kolomnya maka diperoleh matrik XA. sebagai contoh kita untuk p=2 maka
matriknya adalah sebagai berikut :

 ( X 11  X .1 ) ( X 12  X . 2 ) 
 
( X 21  X .1 ) ( X 22  X .2 ) 
X A  ( X 31  X .1 ) ( X 32  X .2 ) 
 
 .............. .............. 
( X  X . ) ( X  X . ) 
 n1 1 n2 2 

 n n

  ( Xi1  X 1 .) 2  ( Xi 1  X i2  X .2 )
X 'A X A   n 
i 1 i 1
n
 ( Xi  X . )( Xi  X . ) 2 2 
  ( Xi2  X 2 . )
1 2 2 2

 i 1 i 1

 JKX 1 JHKX 1 X 2 
Biasanya ditulis : X ' A X A  
 JHKX 1 X 2 JKX 2 
Untuk menguji βi kita cari kekalikan dari matriks X AXA-1kemudian kita gandakan

n
dengan S r2 regresi yaitu ( Yˆi  Yi ) /( n  p  1) maka pengujian βi dapat
2

i 1

dilakukan dengan rumus :

i
tH 
Sbi

Disini √Sbi adalah elemen-elemen diagonal matrik XAXA-1 yang telah digandakan

dengan S r2 regresi

B. KORELASI

1. PENGERTIAN 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.
Diantara sekian banyak teknik-teknik pengukuran asosiasi, terdapat dua teknik
korelasi yang sangat populer sampai sekarang, yaitu Korelasi Pearson Product
Moment dan Korelasi Rank Spearman. Selain kedua teknik tersebut, terdapat pula
teknik-teknik korelasi lain, seperti Kendal, Chi-Square, Phi Coefficient,
Goodman-Kruskal, Somer, dan Wilson.
Pengukuran asosiasi mengenakan nilai numerik untuk mengetahui
tingkatan asosiasi atau kekuatan hubungan antara variabel. Dua variabel dikatakan
berasosiasi jika perilaku variabel yang satu mempengaruhi variabel yang lain. Jika
tidak terjadi pengaruh, maka kedua variabel tersebut disebut independen.
 Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variabel
(kadang lebih dari dua variabel) dengan skala-skala tertentu, misalnya Pearson
data harus berskala interval atau rasio; Spearman dan Kendal menggunakan skala
ordinal; Chi Square menggunakan data nominal. Kuat lemah hubungan diukur
diantara jarak (range) 0 sampai dengan 1. Korelasi mempunyai kemungkinan
pengujian hipotesis dua arah (two tailed). Korelasi searah jika nilai koefesien
korelasi diketemukan positif; sebaliknya jika nilai koefesien korelasi negatif,
korelasi disebut tidak searah. Yang dimaksud dengan koefesien korelasi ialah
suatu pengukuran statistik kovariasi atau asosiasi antara dua variabel. Jika
koefesien korelasi diketemukan tidak sama dengan nol (0), maka terdapat
ketergantungan antara dua variabel tersebut. Jika koefesien korelasi diketemukan
+1. maka hubungan tersebut disebut sebagai korelasi sempurna atau hubungan
linear sempurna dengan kemiringan (slope) positif.
Jika koefesien korelasi diketemukan -1. maka hubungan tersebut disebut
sebagai korelasi sempurna atau hubungan linear sempurna dengan kemiringan
(slope) negatif.
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.

2. KEGUNAAN KORELASI

Pengukuran asosiasi berguna untuk mengukur kekuatan (strength) hubungan

antar dua variabel atau lebih. Contoh: mengukur hubungan antara variabel:
 Motivasi kerja dengan produktivitas
  Kualitas layanan dengan kepuasan pelanggan
 Tingkat inflasi dengan IHSG

Pengukuran ini hubungan antara dua variabel untuk masing-masing kasus

akan menghasilkan keputusan, diantaranya:
 Hubungan kedua variabel tidak ada
 Hubungan kedua variabel lemah
 Hubungan kedua variabel cukup kuat
 Hubungan kedua variabel kuat
 Hubungan kedua variabel sangat kuat

Penentuan tersebut didasarkan pada kriteria yang menyebutkan jika hubungan

mendekati 1, maka hubungan semakin kuat; sebaliknya jika hubungan mendekati
0, maka hubungan semakin lemah.

3. TEORI KORELASI

Korelasi dan Kausalitas

Ada perbedaan mendasar antara korelasi dan kausalitas. Jika kedua

variabel dikatakan berkorelasi, maka kita tergoda untuk mengatakan bahwa
variabel yang satu mempengaruhi variabel yang lain atau dengan kata lain
terdapat hubungan kausalitas. Kenyataannya belum tentu. Hubungan kausalitas
terjadi jika variabel X mempengaruhi Y. Jika kedua variabel diperlakukan secara
simetris (nilai pengukuran tetap sama seandainya peranan variabel-variabel
tersebut ditukar) maka meski kedua variabel berkorelasi tidak dapat dikatakan
mempunyai hubungan kausalitas. Dengan demikian, jika terdapat dua variabel
yang berkorelasi, tidak harus terdapat hubungan kausalitas.
Terdapat dictum yang mengatakan “correlation does not imply causation”.
Artinya korelasi tidak dapat digunakan secara valid untuk melihat adanya
hubungan kausalitas dalam variabel-variabel. Dalam korelasi aspek-aspek yang
melandasi terdapatnya hubungan antar variabel mungkin tidak diketahui atau tidak
langsung. Oleh karena itu dengan menetapkan korelasi dalam hubungannya
dengan variabel-variabel yang diteliti tidak akan memberikan persyaratan yang
memadai untuk menetapkan hubungan kausalitas kedalam variabel-variabel
tersebut. Sekalipun demikian bukan berarti bahwa korelasi tidak dapat digunakan
sebagai indikasi adanya hubungan kausalitas antar variabel. Korelasi dapat
digunakan sebagai salah satu bukti adanya kemungkinan terdapatnya hubungan
kausalitas tetapi tidak dapat memberikan indikasi hubungan kausalitas seperti apa
jika memang itu terjadi dalam variabel-variabel yang diteliti, misalnya model
recursive, dimana X mempengaruhi Y atau non-recursive, misalnya X
mempengaruhi Y dan Y mempengaruhi X.
Dengan untuk mengidentifikasi hubungan kausalitas tidak dapat begitu saja
dilihat dengan kaca mata korelasi tetapi sebaiknya menggunakan model-model
yang lebih tepat, misalnya regresi, analisis jalur atau structural equation model.
Korelasi dan Linieritas

Terdapat hubungan erat antara pengertian korelasi dan linieritas. Korelasi

Pearson, misalnya, menunjukkan adanya kekuatan hubungan linier dalam dua
variabel. Sekalipun demikian jika asumsi normalitas salah maka nilai korelasi
tidak akan memadai untuk membuktikan adanya hubungan linieritas. Linieritas
artinya asumsi adanya hubungan dalam bentuk garis lurus antara variabel.
Linearitas antara dua variabel dapat dinilai melalui observasi scatterplots bivariat.
Jika kedua variabel berdistribusi normal dan behubungan secara linier, maka
scatterplot berbentuk oval; jika tidak berdistribusi normal scatterplot tidak
10
berbentuk oval.
9
8
7
Y 6
5
4
Hubungan Linear Sempurna
3
2
1
0

0 1 2 3 4 5 6 7 8 9 10
X
 Dalam praktiknya kadang data yang digunakan akan menghasilkan korelasi
tinggi tetapi hubungan tidak linier; atau sebaliknya korelasi rendah tetapi
hubungan linier. Dengan demikian agar linieritas hubungan dipenuhi, maka data
yang digunakan harus mempunyai distribusi normal. Dengan kata lain, koefesien
korelasi hanya merupakan statistik ringkasan sehingga tidak dapat digunakan
sebagai sarana untuk memeriksa data secara individual.
Asumsi dasar korelasi diantaranya seperti tertera di bawah ini:
 Kedua variabel bersifat independen satu dengan lainnya, artinya masing-
masing variabel berdiri sendiri dan tidak tergantung satu dengan lainnya.
Tidak ada istilah variabel bebas dan variabel tergantung.
 Data untuk kedua variabel berdistribusi normal. Data yang mempunyai
distribusi normal artinya data yang distribusinya simetris sempurna. Jika
digunakan bahasa umum disebut berbentuk kurva bel. Menurut Johnston
(2004) ciri-ciri data yang mempunyai distribusi normal ialah sebagai
berikut:
 1. Kurva frekuensi normal menunjukkan frekuensi tertinggi
berada di tengah-tengah, yaitu berada pada rata-rata
(mean) nilai distribusi dengan kurva sejajar dan tepat sama
pada bagian sisi kiri dan kanannya. Kesimpulannya, nilai
yang paling sering muncul dalam distribusi normal ialah
rata-rata (average), dengan setengahnya berada dibawah
rata-rata dan setengahnya yang lain berada di atas rata-
rata.

2. Kurva normal, sering juga disebut sebagai kurva bel,

berbentuk simetris sempurna.

3. Karena dua bagian sisi dari tengah-tengah benar-benar

simetris, maka frekuensi nilai-nilai diatas rata-rata (mean)
akan benar-benar cocok dengan frekuensi nilai-nilai di
bawah rata-rata.

4. Frekuensi total semua nilai dalam populasi akan berada

dalam area dibawah kurva. Perlu diketahui bahwa area
total dibawah kurva mewakili kemungkinan munculnya
karakteristik tersebut.

5. Kurva normal dapat mempunyai bentuk yang berbeda-

beda. Yang menentukan bentuk-bentuk tersebut adalah
nilai rata-rata dan simpangan baku (standard deviation)
populasi.

Karakteristik Korelasi

Korelasi mempunyai karakteristik-karakteristik diantaranya:

a. Kisaran Korelasi

Kisaran (range) korelasi mulai dari 0 sampai dengan 1. Korelasi

dapat positif dan dapat pula negatif.
b. Korelasi Sama Dengan Nol

Korelasi sama dengan 0 mempunyai arti tidak ada hubungan antara

dua variabel. Jika dilihat dari sebaran data, maka gambarnya akan seperti
terlihat di bawah ini:

Korelasi dimana r = 0

c. Korelasi Sama Dengan Satu

Korelasi sama dengan + 1 artinya kedua variabel mempunyai

hubungan linier sempurna (membentuk garis lurus) positif. Korelasi
sempurna seperti ini mempunyai makna jika nilai X naik, maka Y juga
naik seperti pada gambar yang tertera di bawah ini:
 Korelasi dimana r = + 1

Korelasi sama dengan -1 artinya kedua variabel mempunyai

hubungan linier sempurna (membentuk garis lurus) negatif. Korelasi
sempurna seperti ini mempunyai makna jika nilai X naik, maka Y turun
(dan sebaliknya) seperti pada gambar yang tertera di bawah ini:
 Korelasi dimana r = - 1

MACAM KORELASI

Ada 2 macam korelasi yaitu korelasi sederhana dan korelasi parsial.

a. KORELASI LINEAR SEDERHANA

Korelasi merupakan angka yang menunjukkan arah dan kuatnya hubungan

antar dua variabel (atau lebih). Arah dinyatakan dalam bentuk hubungan
positip (+) atau negatip (-), sedangkan kuatnya hubungan dinyatakan
dengan besarnya koefisien korelasi.
Hubungan dua variabel dinyatakan positip jika nilai suatu variabel
ditingkatkan maka akan meningkatkan nilai variabel lainnya, sebaliknya
jika nilai variabel tersebut diturunkan maka akan menurunkan nilai
variabel yang lain. Sebagai contoh adalah hubungan tinggi tanaman
dengan produksi. Semakin tinggi jagung maka berat tongkolnya akan
semakin besar, sebaliknya semakin pendek tanaman maka berat tongkol
semakinkecil.
Hubungan dua variabel dinyatakan negatif jika nilai suatu variabel
ditingkatkan maka akan menurunkan nilai variabel lainnya, sebaliknya jika
nilai variabel tersebut diturunkan maka akan menaikkan nilai variabel
yang lain. Sebagai contoh adalah hubungan tingkat serangan hama dengan
produksi. Semakin tinggi tingkat serangan hama maka produksinya akan
 semakin kecil, sebaliknya semakin kecil tingkat serangan hama maka
produksinyasemakinbesar.

Kuatnya hubungan antar variabel dinyatakan dengan besarnya koefisien

korelasi. Koefisien korelasi memiliki rentang nilai antara -1 sampai 1. Jika
hubungan antara 2 variabel memiliki korelasi -1 atau 1 berarti kedua
variabel tersebut memiliki hubungan yang sempurna, sebaliknya jika
hubungan antara 2 variabel memiliki korelasi 0 berarti tidak ada hubungan
antara kedua variabel tersebut.

Koefisien korelasi linier (Pearson product moment correlation coefficient)

antara dua variabel dapat dicari dengan persamaan berikut:

ga Sebagaimana yang telah dijelaskan di atas, analisis korelasi digunakan

untuk mengetahui tingkat keeratan dari hubungan dua variabel. Sedangkan angka
yang menunjukkan kuat tidaknya hubungan antara dua variabel disebut dengan
koefisien korelasi yang dinotasikan dengan “r” (khusus untuk korelasi sederhana).
Nilai koefisien korelasi adalah – 1 <= r <= 1. Jika r = – 1, maka antara dua
variabel mempunyai hubungan negatif “sangat” erat Jika r = 1, maka antara dua
variabel mempunyai hubungan positif “sangat” erat Jika r = 0, maka antara dua
variabel tidak mempunyai hubungan Jika r semakin mendekati angka – 1 atau 1,
maka antara dua variabel mempunyai hubungan yang kuat atau erat. Sedangkan
jika r lebih mendekati ke angka 0, maka antara dua variabel mempunyai hubungan
yang tidak kuat atau tidak erat. Sebelum dapat melakukan analisis korelasi linier
sederhana diperlukan syarat-syarat atau asumsi sebagai berikut :
1. Terdapat hubungan logika antara peubah yang akan dikorelasikan
2. Skala peubah sekurang-kurangnya skala selang (interval)
 3. Terdapat studi awal (penelitian, referensi, jurnal, pustaka, dll) yang
menunjukan indikasi hubungan antara 2 peubah yang akan dikorelasikan *
Syarat nomor 3 di atas merupakan opsional, jika penelitian mengenai
hubungan antara peubah yang dikorelasikan belum pernah dilakukan sebelumnya.
Koefisien korelasi pearson ( r ) didapatkan dari rumus sebagai berikut :

badan
 Untuk melihat hubungan antara peubah x dan y secara grafik digunakan
diagram pencar (scatter diagram). Secara umum hubungan antara dua peubah
dapat berupa bentuk seperti gambar di bawah ini :

Gambar (1) :
menunjukan hubungan antara peubah X dan peubah Y kuat dan searah (positif),
ditandai oleh nilai r yang mendekati 1
Gambar (2) :
menunjukan hubungan antara peubah X dan peubah Y kuat dan berlawanan arah
(negatif), ditandai oleh nilai r yang mendekati -1
Gambar (3) :
menunjukan hubungan antara peubah X dan peubah Y yang lemah, ditandai oleh
nilai r yang mendekati 0
Gambar (4):
menunjukan hubungan antara peubah X dan peubah Y yang bukan linier, ditandai
oleh nilai r yang mendekati 1
 Untuk nilai-nilai r antara 0 dan 1 dengan 0 dan -1 tidak ada patokan pasti yang
menentukan batas kekuatan hubungan antara 2 peubah. Namun demikian dapat
digunakan konvensi sebagai berikut :
Hubungan antara peubah X dan Y disebut kuat dan searah jika 0.75 ≤ r ≤ 1.
Hubungan antara peubah X dan Y disebut kuat dan berlawanan arah jika -1 ≤ r ≤
-0.75.
Hubungan antara peubah X dan Y disebut lemah jika -0.75 < r < 0.75.
Jika r dikuadratkan maka akan didapatkan suatu nilai yang disebut dengan
koefisien determinasi. Koefisien determinasi menunjukkan seberapa besar
pengaruh satu peubah terhadap peubah lainnya.
Misal r2 = a maka artinya :
–>a x 100% keragaman dalam nilai-nilai Y dapat dijelaskan oleh hubungan
liniernya dengan X.
–>sumbangan peubah X terhadap naik turunnya Y ialah a x 100%

KOEFESIEN KORELASI

Koefesien korelasi ialah pengukuran statistik kovarian atau asosiasi antara dua
variabel. Besarnya koefesien korelasi berkisar antara +1 s/d -1. Koefesien korelasi
menunjukkan kekuatan (strength) hubungan linear dan arah hubungan dua
variabel acak. Jika koefesien korelasi positif, maka kedua variabel mempunyai
hubungan searah. Artinya jika nilai variabel X tinggi, maka nilai variabel Y akan
tinggi pula. Sebaliknya, jika koefesien korelasi negatif, maka kedua variabel
mempunyai hubungan terbalik. Artinya jika nilai variabel X tinggi, maka nilai
variabel Y akan menjadi rendah (dan sebaliknya). Untuk memudahkan melakukan
interpretasi mengenai kekuatan hubungan antara dua variabel kriteria sebagai
berikut:
o 0 : Tidak ada korelasi antara dua variabel
o >0 – 0,25: Korelasi sangat lemah
o >0,25 – 0,5: Korelasi cukup
o >0,5 – 0,75: Korelasi kuat
o >0,75 – 0,99: Korelasi sangat kuat
o 1: Korelasi sempurna
mah

KOEFESIEN DETERMINASI

Koefesien diterminasi dengan simbol r2 merupakan proporsi variabilitas dalam

suatu data yang dihitung didasarkan pada model statistik. Definisi berikutnya
menyebutkan bahwa r2 merupakan rasio variabilitas nilai-nilai yang dibuat model
dengan variabilitas nilai data asli. Secara umum r2 digunakan sebagai informasi
mengenai kecocokan suatu model. Dalam regresi r2 ini dijadikan sebagai
pengukuran seberapa baik garis regresi mendekati nilai data asli yang dibuat
model. Jika r2 sama dengan 1, maka angka tersebut menunjukkan garis regresi
cocok dengan data secara sempurna.
Interpretasi lain ialah bahwa r2 diartikan sebagai proporsi variasi tanggapan
yang diterangkan oleh regresor (variabel bebas / X) dalam model. Dengan
demikian, jika r2 = 1 akan mempunyai arti bahwa model yang sesuai menerangkan
semua variabilitas dalam variabel Y. jika r2 = 0 akan mempunyai arti bahwa tidak
ada hubungan antara regresor (X) dengan variabel Y. Dalam kasus misalnya jika r2
= 0,8 mempunyai arti bahwa sebesar 80% variasi dari variabel Y (variabel
tergantung / response) dapat diterangkan dengan variabel X (variabel bebas /
explanatory); sedang sisanya 0,2 dipengaruhi oleh variabel-variabel yang tidak
diketahui atau variabilitas yang inheren. (Rumus untuk menghitung koefesien
determinasi (KD) adalah KD = r 2 x 100%) Variabilitas mempunyai makna
penyebaran / distribusi seperangkat nilai-nilai tertentu. Dengan menggunakan
bahasa umum, pengaruh variabel X terhadap Y adalah sebesar 80%; sedang
sisanya 20% dipengaruhi oleh faktor lain.
Dalam hubungannya dengan korelasi, maka r2 merupakan kuadrat dari
koefesien korelasi yang berkaitan dengan variabel bebas (X) dan variabel Y
(tergantung). Secara umum dikatakan bahwa r2 merupakan kuadrat korelasi antara
variabel yang digunakan sebagai predictor (X) dan variabel yang memberikan
response (Y). Dengan menggunakan bahasa sederhana r 2 merupakan koefesien
korelasi yang dikuadratkan. Oleh karena itu, penggunaan koefesien determinasi
dalam korelasi tidak harus diinterpretasikan sebagai besarnya pengaruh variabel X
terhadap Y mengingat bahwa korelasi tidak sama dengan kausalitas. Secara bebas
dikatakan dua variabel mempunyai hubungan belum tentu variabel satu
mempengaruhi variabel lainnya. Lebih lanjut dalam konteks korelasi antara dua
variabel maka pengaruh variabel X terhadap Y tidak nampak. Kemungkinannya
hanya korelasi merupakan penanda awal bahwa variabel X mungkin berpengaruh
terhadap Y. Sedang bagaimana pengaruh itu terjadi dan ada atau tidak kita akan
mengalami kesulitan untuk membuktikannya. Hanya menggunakan angka r 2 kita
tidak akan dapat membuktikan bahwa variabel X mempengaruhi Y.
Dengan demikian jika kita menggunakan korelasi sebaiknya jangan
menggunakan koefesien determinasi untuk melihat pengaruh X terhadap Y karena
korelasi hanya menunjukkan adanya hubungan antara variabel X dan Y. Jika
tujuan riset hanya untuk mengukur hubungan maka sebaiknya berhenti saja di
angka koefisien korelasi. Sedang jika kita ingin mengukur besarnya pengaruh
variabel X terhadap Y sebaiknya menggunakan rumus lain, seperti regresi atau
analisis jalur.
CARA KORELASI DENGAN SPSS

 Pada halaman DATA VIEW di SPSS, Ketikkan nilai-nilai Variabel X1, X2,
dan Y
 Pada kolom Name ketikkan simbol dari variabel (X1, X2, dan Y). Pada
kolom Label
 ketikkan nama variabel (Biaya Promosi, Biaya Distribusi, dan Volume
Penjualan)

 Klik menu Analyze, Correllate, Bivariate

 Pindahkan Biaya Promosi [x1], Biaya Distribusi [x2], dan Volume
Penjualan ke kotak Variables. Lalu beri tanda centang pada kotak cek di
samping Pearson , dan disamping two tailed , lalu klik tombol OK
Contoh
 Data korelasi dengan pengerjaan manual:

Diketahui 2 peubah X dan Y sebagai berikut :

X 12 10 14 11 12 9
Y 18 17 23 19 20 15

Tentukan kekuatan hubungan antara kedua peubah di atas, dan tentukan pula besar
pengaruh satu peubah terhadap peubah lainnya.

Jawaban :
X Y X2 Y2 XY
12 18 144 324 216
10 17 100 289 170
14 23 196 529 322
11 19 121 361 209
12 20 144 400 240
9 15 81 225 135
 68 112 786 2128 1292

r2 = 0,90
> Hubungan antara peubah X dan Y kuat dan positif

> 90% keragaman dalam nilai-nilai Y dapat dijelaskan oleh hubungan liniernya
dengan X

 Dengan pengerjaan SPSS

Berdasarkan panduan penggunaan SPSS diatas didapatkan hasil sebagai

berikut :
IoStatist

BAB IV
KESIMPULAN

 Analisis regresi ingin mengetahui pola relasi dalam bentuk persamaan

regresi, Analisis korelasi ingin mengetahui kekuatan hubungan tersebut
dalam koefisien korelasinya.
 Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui
pengaruh antara satu atau beberapa variabel terhadap satu buah variabel.
Variabel yang mempengaruhi sering disebut variabel bebas, variabel
independen atau variabel penjelas. Variabel yang dipengaruhi sering
disebut dengan variabel terikat atau variabel dependen.
 Hasil dari suatu analisis regresi linier tidak lain adalah persamaan linier
Y = a + bX.
 Nilai a dan b dapat langsung dicari menggunakan rumus
 Dalam korelasi tidak dikenal istilah variabel bebas dan variabel
tergantung. Biasanya dalam penghitungan digunakan simbol X untuk
variabel pertama dan Y untuk variabel kedua.
 Kisaran (range) korelasi mulai dari 0 sampai dengan 1. Korelasi dapat
positif dan dapat pula negatif.
 Ada 2 macam korelasi yaitu korelasi sederhana dan korelasi parsial

 Koefisien korelasi pearson ( r ) didapatkan dari rumus sebagai berikut :

DAFTAR PUSTAKA
Harinaldi. 2005 . Prinsip-prinsip Statistik Untuk Teknik dan Sains . Jakarta :
Erlangga.
Sudjana . 2005 . Metoda Statistika . Bandung : Tarsito.
Hamang, Abdul . 2005 . Metoda Statistika . Yogyakarta : Graha Ilmu.
http://www.ilmustatistik.com/wp-content/uploads/2008/11/korelasi-pearson.jpg di
akses tanggal 27 maret 2010 pada jam 11.00 WIB
http://www.sribd.com/korelasi-regresi.pdf diakses pada tanggal 25 maret 2010
pada jam 22.15 WIB
http://www.azuarjuliandi.com diakses pada tanggal 25 maret 2010 pada jam 22.15
WIB
http://www.jonathansarwono.info/regresi/regresi.htm di akses tanggal 27 maret
2010 pada jam 11.00 WIB