A.

Pengertian Regresi

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.

B. 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.
 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.

C. Analisis Regresi
Analisis regresi merupakan alat analisis staistik yang memanfaatkan hubungan antara dua
variabel atau lebih. Tujuannya adalah untuk membuat perkiraan (prediksi) yang dapat dipercaya
untuk nilai suatu variabel (biasa disebut variabel terikat atau variabel dependent atau variabel
respons), jika nilai variabel lain yang berhubungan dengannya diketahui (biasa disebut variabel
bebas atau variabel independent atau variabel prediktor).
Analisis regresi pertama kali dikenalkan sebagai metode analisis statistik pada tahun 1877
oleh Sir Francis Galton (1822-1911) yang meneliti tentang hubungan antara tinggi badan orang
tua (ayah) dengan anaknya. Beliau mengungkapkan bahwa terdapat kecenderungan orang tua
yang tinggi badannya akan memiliki anak yang tinggi pula atau sebaliknya orang tua yang
pendek badannya akan memiliki anak yang pendek pula, tetapi distribusi (penyebaran) rata-rata
tinggi badan dari generasi kegenerasi adalah tetap.
 Selanjutnya hasil analisis Galton disempurnakan oleh Karl Pearson dengan mengambil
sampel  lebih dari 1000 pengamatan. Pearson menemukan bahwa untuk kelompok anak yang
tinggi dan kelompok orang tua yang tinggi, ternyata tinggi badan anak lebih pendek dari
ayahnya. Sedangkan dari kelompok ayah dan anak yang lebih pendek, ternyata tinggi badan
anaknya lebih tinggi dari ayahnya. Peristiwa yang berbalikan inilah disebut merosot (to regres).

Tujuan Analisis Regresi :

1. Untuk memperoleh suatu persamaan garis yang menunjukkan persamaan hubungan
antara dua variabel. Persamaan garis yang diperoleh disebut persamaan regresi.
2. Untuk mengetahui besarnya pengaruh perubahan tiap unit variabel bebas terhadap
perubahan variabel terikatnya. Pengaruh perubahan tiap unit variabel bebas ditunjukkan oleh
nilai koefisien regresinya.
3. Untuk menaksir nilai variabel terikat (Y) berdasarkan variabel bebas (X) yang nilainya
telah diketahui. Penaksiran disini bersifat deterministik (pasti) atau non-stokastik, maksudnya
penaksiran atau pendugaan yang dilakukan mengabaikan faktor ketidakpastian.
- Bentuk Umum Regresi Linier Sederhana
                         y = a + bx
                 y       : peubah takbebas
                 x       : peubah bebas
                 a       : konstanta
                 b       : kemiringan

D. Analisis Korelasi
Analisis korelasi adalah alat statistik yang digunakan untuk mengetahui derajat hubungan
linear antara variable yang satu dengan yang lainnya.
Terdapat perbedaan dan hubungan yang mendasar antara analisis korelasi dan regresi dari
segi kegunaan, analisis korelasi digunakan untuk mencaari arah dan kuatnya hubungan antara
dua variabel, sedangkan analisis regresi digunakan untuk memprediksikan seberapa jauh
perubahan nilai variabel  dependen bila nilai variabel independen diketahui. Perbedaan lainnya
adalah analisis korelasi posisinya antar variabel setara, sedangkan analisis regresi (linear
sederhana) posisi antar variabel tidak setara (yang satu merupakan variabel dependen dan lainnya
variabel indpenden).
Dalam penerapannya terdapat beberapa ukuran korelasi, tiga di antaranya yang paling sering
digunakan adalah koefisien korelasi product moment Pearson (digunakan dalam statistik
parametik, biasa digunakan untuk data interval dan rasio), korelasi tingkat Spearman, dan
korelasi tou kendall (digunakan dalam statistic nonparametik, biasa digunakan untuk data
nominal dan ordinal).
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).

E. 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.
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.
Selanjutnya, kalau kita memasukkan lebih dari satu peubah bebas dalam model, maka
diperoleh model regresi ganda (multiple regression model). Seperti model sederhana, model
regresi ganda dapat juga dibedakan atas model regresi linear ganda dan model regresi nonlinear
ganda. Dalam hal ini, kita dapat membangun model satu peubah tanggapan Y (katakanlah nilai
jual rumah) sebagai fungsi dari peubah-peubah kuantitatif (seperti luas lantai, umur rumah, luas
pekarangan, dan banyaknya kamar), atau sebagai fungsi dari peubah-peubah kualitatif (seperti
jenis konstruksi, dan lokasi).
 F. Interpolasi
Interpolasi ialah proses pencarian dan penghitungan pada nilai suatu fungsi yang grafiknya
melewati sekumpulan titk yang diberikan. Titik-titik itu mungkin merupakan hasil eksperimen
pada sebuah percobaan, ataupun didapat dari suatu fungsi yang diketahui
Interpolasi Perbandingan Segitiga

Interpolasi Perbandingan Segitiga

Contoh:

Jika Y = 17, berapakah nilai Z ?

Penyelesaian:
Nilai Y = 17 itu artinya range didapatkan antara 15 hingga 20
dari tabel didapatkan:

H1=58
H2=70
B1=20-17=3
B2=20-15=5

Nilai x didapat = 65,20

Interpolasi Linear

Interpolasi linear adalah cara mendapatkan nilai di antara dua data yang berdasarkan persamaan
linear. Interpolasi linier merupakan metoda untuk penentuan suatu nilai fungsi persamaan linear
berdasarkan hukum kesebandingan.

Rumus Interpolasi Liniear

Contoh Cara Melakukan Interpolasi Linear

Diketahui pada sebuah garis lurus yang melewati koordinat titik A (3,4) dan koordinat titik B
(15,10) pada suatu sistem koordinat X dan Y. Garis AB berpotongan dengan garis vertikal
dengan persamaan X = 9 di titik C. Tentukanlah koordinat titik C.

Jawaban :

X1 = 3 ;Y1 = 4

X2 = 15; Y2 = 10
Interpolasi Kuadratik

Interpolasi Kuadratik dipakai untuk mencari titik-titik antara dari 3 buah titik
P1(x1,y1), P2(x2,y2) dan P3(x3,y3) dengan memakai pendekatan fungsi kuadrat

Untuk mendapatkan titik Q(x,y) dipakai interpolasi kuadratik sebagai berikut:

Interpolasi Polinomial

Interpolasi polynomial dipakai untuk mencari titik-titik antara dari n buah titik P1(x1,y1),
P2(x2,y2), P3(x3,y3), .., PN(xN,yN) dengan memakai pendekatan fungsi polynomial pangkat
n-1:
Masukkan nilai dari setiap titik ke dalam persamaan polynomial di atas dan didapat persamaan
simultan dengan n persamaan dan n variable bebas:

Penyelesaian persamaan simultan di atas yaitu nilai-nilai a0, a1, a2, a3, …, an yang merupakan
nilai-nilai koefisien dari fungsi pendekatan polynomial yang akan dipakai. Dengan memasukkan
nilai x dari titik yang dicari pada fungsi polinomialnya, akan diperoleh nilai y dari titik tersebut.

Interpolasi Dalam Statistika

Contoh:
Jika sebuah penelitian mempunyai jumlah sampel 60 responden dengan derajat kebebasan yaitu
n-2=58.
Dalam tabel t, begitu sulit untuk mengkonsultasi nilai d.k sebesar 58 tersebut karena nilai 58
tidak dituliskan secara nyata akan tetapi berada diantara d.k. 40 dan d.k. 60 hingga perlu
dilakukan nilai 58 dalam tabel tersebut.
Perhitungan interpolasi tersebut dilakukan dengan memakai rumus dibawah:

Rumus Interpolasi Dalam Statistika

Keterangan Rumus :
I = nilai interpolasi
r-tvalue = range (selisih) nilai t pada tabel dari dua d.k. yang terdekat
Untuk contoh diatas nilai d.k. 58 berada pada d.k. 40 dan d.k. 60, nilai t untuk d.k. 40 pada tabel
ialah 1,684 sedangkan nilai t untuk d.k. 60 yaitu 1,671.
Maka selisih nilai t yaitu 1,684 – 1,671 = 0,013
r-d.f. = range (selisih) dari dua d.k. yang terdekat
Selisih dari nilai dua d.k. terdekat adalah 60 -40 = 20

Lalu nilai interpolar itu dimasukkan sebagai nilai pengurang dari nilai t untuk d.k terdekat yang
paling rendah. Hasil inilah yang kemudian dipakai sebagai nilai t untuk d.k. yang tidak tercantum
dalam tabel.
Maka Perhitungannya yaitu :

Nilai t untuk d.k. 58 = nilai t untuk d.k. 40 – I

= 1,684 – 0,0117
= 1,6723