Sulisetijono

Biologi FMIPA Universitas Negeri Malang

(State University of Malang)
Email: sulisetijono.fmipa@um.ac.id
BAB XIII copyright August 2016

KORELASI DAN REGRESI

A. Capaian Pembelajaran

Mahasiswa mampu mengetahui dan memahami serta mengaplikasikan konsep korelasi

dengan regresi, perbedaan korelasi dengan regresi dalam bidang biologi.
B. Indikator Capaian Pembelajaran

1. Kemampuan menjelaskan konsep korelasi.

2. Kemampuan menjelaskan konsep regresi.
3. Kemampuan menjelaskan kegunaan korelasi dan regresi.
4. Kemampuan menjelaskan asumsi penggunaan analisis korelasi dan regresi.
5. Kemampuan membedakan perbedaan konsep korelasi dengan regresi.
6. Kemampuan menghitung nilai koefisien r.
7. Kemampuan menjelaskan makna r.
8. Kemampuan menghitung besarnya sumbangan variabel prediktor terhadap variabel
kriterium.
9. Kemampuan menghitung persamaan regresi.
10. Kemampuan menjelaskan persamaan regresi.

C. Materi

PENGANTAR
Dalam biologi kita sering menjumpai dua perubah atau lebih yang jelas berkaitan atau
saling bergantung. Sebagai contoh, kita mungkin menemukan hal yang memperlihatkan
adanya suatu kenaikan atau pertambahan pada variabel X yang dibarengi dengan pertambahan
yang berpadanan pada variabel Y, atau sesuatu penurunan pada X ternyata berhubungan
dengan penurunan pada Y. Perubahan pada satu variabel bila dapat dikatakan ditunjukkan
berkaitan dengan perubahan pada variabel lain, maka kedua variabel itu dapat dikatakan
berkorelasi. Korelasi dapat positif jika X dan Y keduanya sama-sama bertambah atau bersama-
sama turun. Korelasi negatif jika satu variabel bertambah sementara variabel lainnya berkurang.
Sebaliknya, jika perubahan pada Y tidak berkaitan sama sekali, tidaklah terdapat pertalian, dan
karenanya tidak terdapat korelasi antara kedua variabel itu.
Kesalahan umum yang terjadi adalah andaian bahwa karena X dan Y memperlihatkan
korelasi yang erat, maka disimpulkan bahwa variabel yang satu menjadi penyebab variabel
yang lain. Sebagai contoh, perhatikanlah korelasi erat yang terdapat antara banyaknya
pengisap rokok dengan penderita kanker paru-paru. Apakah kita dengan sendirinya
berkesimpulan bahwa merokok sigaret menyebabkan kanker paru-paru? Jika demikian, kita
selayaknya juga mempertimbangkan bahwa terdapat korelasi erat antara adanya kanker paru-
paru dan banyaknya tiang telepon. Haruskah kita berkesimpulan bahwa tiang telepon
menyebabkan kanker paru-paru? Atau bagaimana halnya dengan korelasi antara kanker paru-
paru dan banyaknya mobil? Akhirnya, apakah korelasi erat antara banyaknya orang yang
tenggelam pada suatu hari dan banyaknya es krim yang terjual pada hari itu menunjukkan
bahwa orang yang makan es krim besar kemungkinan akan tenggelam?
Seperti biasanya penafsiran kita mengenai statistika harus disertai dengan penalaran dan
pertimbangan biologi praktis. Sejauh yang dapat ditentukan, tidak seorangpun akan terkena
karsinogen karena berjalan didekat tiang telepon. Akan tetapi menurut sejarah, pertambahan
banyaknya tiang telepon sejalan dengan kegemaran merokok sigaret yang terus meningkat.

209
BAB XIII Korelasi dan Regresi 210

Sigaret benar-benar mengandung karsinogen, demikian juga asap buangan kendaraan

bermotor.
Singkatnya, korelasi erat antara dua variabel tidak harus berarti suatu sebab akibat.
Korelasi yang berarti mungkin menunjukkan kemungkinan semacam itu bagi peneliti, tetapi
petunjuk (fakta) yang mendukung dari sumber lain harus diketemukan sebelum simpulan yang
menyangkut sebab-akibat dapat dijamin.
Banyak orang rancu mengenai korelasi dan regresi. Dalam pustaka ilmiah sering masalah
korelasi diperlakukan sebagai masalah regresi, demikian juga sebaliknya. Adanya beberapa
alasan yang mengakibatkan terjadi kerancuan tersebut. Pertama hubungan matematika antara
kedua metode analisis tersebut sangat dekat, dan secara matematik seseorang dapat dengan
mudah berpindah dari metode yang satu ke metode yang lain. Oleh karena itu sangat besar
godaannya untuk melakukan hal tersebut. Kedua, buku-buku terdahulu tidak membuat
perbedaan yang cukup jelas antara kedua pendekatan tersebut, dan masalah ini belum
sepenuhnya teratasi. Paling tidak satu buku pelajaran menyamakan arti keduanya, suatu
langkah yang kita rasakan hanya menambah kerancuan tersebut. Akhirnya, ketika seorang
peneliti dengan alasan kuat bermaksud menggunakan salah satu pendekatan tersebut, sifat
data mungkin sedemikian rupa sehingga seolah-olah hanya pendekatan lain yang tepat.
Salah satu tujuan pembahasan ini adalah membedakan analisis korelasi dan regresi. Ada
perbedaan antara kedua tata cara ini, dan yang satu tidak dapat menggantikan yang lain dalam
keadaan analisis tertentu. Sering perbedaan ini tidak dijelaskan dan peneliti kadang-kadang
bingung dalam menentukan tata cara yang harus dipakai.
Analisis regresi menyangkut pengukuran ‚derajat ketergantungan‛ satu variabel tak
bebas (Y) pada suatu variabel bebas (X). Anda ingat bahwa variabel atau variabel bebas
‚dikuasai‛ atau dikendalikan oleh peneliti. Dengan kata lain, peneliti menentukan nilai mana
saja yang harus diambil oleh variabel bebas. Nilai variabel tak-bebas ditentukan oleh
hubungan, jika ada, yang terdapat antara variabel tak-bebas dan variabel bebas. Jadi, analisis
regresi seharusnya dipakai dalam analisis, dengan variabel bebas yang dikendalikan oleh
peneliti. Variabel bebas (X) sering disebut dengan variabel prediktor, sedangkan variabel tak
bebas (terikat) disebut dengan variabel kriterium.
Sebagai contoh, jika seorang peneliti mengukur derajat ketergantungan denyut jantung
buaya dengan menempatkan binatang itu dalam ruangan bersuhu 10C, 15C, 20C, 25C, dan
seterusnya, maka sambil mengamati denyut jantung pada suhu di atas, analisis regresi dapat
digunakan. Dalam hal ini suhu bukanlah variabel acak karena nilai suhu tertentu ditetapkan
oleh peneliti. Denyut jantung, sebaliknya, merupakan variabel acak dan tidak dikendalikan
peneliti. Analisis regresi dapat dipakai untuk memprakirakan nilai Y yang akan diperoleh dari
penggunaan nilai X tertentu.
Jika seorang peneliti ingin menentukan derajat keterkaitan antara biomassa fitoplankton
dan banyaknya klorofil a. Untuk ini peneliti mengambil sampel (cuplikan) ulangan berupa air
dari tempat sampel di danau dan mengukur klorofil a dan biomassa dalam setiap sampel
ulangan. Dalam hal ini peneliti tidak mempunyai kendali atas kedua variabel karena nilai
klorofil a dan biomassa yang terdapat dalam setiap sampel akan merupakan ‘sesuatu yang
diberikan oleh alam’. Dari keadaan ini disimpulkan bahwa klorofil a dan biomassa merupakan
variabel acak, dan karena itu korelasi merupakan tata cara statistika yang sesuai.
Oleh karena klorofil a dan biomassa merupakan variabel tak bebas, tidaklah seluruhnya
benar memberikan kepadanya lambang X dan Y karena X seharusnya menyatakan variabel
bebas. Akan tetapi karena lambang ini sudah mengakar, kita akan terus menggunakannya
dalam pembahasan mengenai korelasi. Sebaiknya dipahami bahwa bila kita berhadapan
dengan analisis korelasi, baik X maupun Y bukanlah variabel bebas. Dengan kata lain,
 Sulisetijono, Statistika dalam Bidang Biologi … 211

keduanya adalah variabel acak. Sebaliknya bila analisis regresi yang dibahas, X menyatakan
variabel bebas (variabel prediktor) dan Y variabel takbebas (variabel kriterium).
Hubungan matematika antara regresi dan korelasi sangatlah dekat. Untuk setiap masalah
sebagian besar langkah-langkah perhitungannya sama, tidak peduli seseorang menggunakan
analisis regresi ataupan korelasi. Besaran dasar yang diperlukan untuk analisis regresi adalah
jumlah hasil kali. Jumlah hasil kali ini merupakan kuantitas yang sama untuk digunakan dalam
penghitungan koefisien korelasi. Ada beberapa hubungan matematik sederhana antara
koefisien regresi dan koefisien korelasi untuk data yang sama. Dengan ada godaan untuk
menghitung koefisien korelasi bagi koefisien regresi tertentu. Hal ini dapat salah kecuali
maksud perhitungan sejak semula ingin mempelajari asosiasi dan datanya sesuai untuk
perhitungan demikian.
Dalam regresi kita bermaksud menjelaskan ketergantuangan suatu variabel Y pada
variabel bebas X. Seperti telah dilihat, kita menggunakan persamaan regresi dengan tujuan
untuk mendukung hipotesis mengenai kemungkinan sebab perubahan dalam Y karena dalam
perubahan X; untuk tujuan peramalan variabel Y bila ditentukan suatu nilai variabel X; dan
tujuan untuk menjelaskan keragaman Y yang disebabkan oleh X dengan menggunakan variabel
X sebagai kontrol statistik atau prediktor. Penelitian tentang hubungan suhu terhadap laju
detak jantung, kandungan dalam nitrogen dalam tanah terhadap laju pertumbuhan tanaman,
hubungan umur hewan terhadap tekanan darah, atau hubungan dosis insektisida terhadap
kematian populasi insektisida merupakan contoh-contoh khusus regresi.
Sebaliknya, dalam korelasi, kita terutama memperhatikan apakah dua variabel tersebut
saling gayut, atau berubah bersamaan. Kita tidak menyatakan bahwa salah satu variabel
sebagai fungsi dari variabel yang lain. Tidak ada perbedaan antara variabel bebas atau tidak
bebas. Mungkin dari pasangan variabel yang dipelajari korelasinya, salah satu merupakan
penyebab dari variabel yang lain, tetapi kita tidak tahu tentang hal tersebut ataupun tidak
menganggapnya demikian. Suatu asumsi yang lebih khusus (tetapi tidak perlu sekali) adalah
dua variabel tersebut merupakan akibat dari suatu penyebab yang sama. Hal yang ingin
diduga adalah derajat variabel-variabel tersebut berubah secara bersamaan. Korelasi sering
digunakan sebagai alat bantu dalam regresi, dalam korelasi kita tidak menggunakan model
kendati hubungan yang kita ukur adalah linear. Kita tidak mempersoalkan hubungan kausal
(sebab-akibat) dalam korelasi kendati hal itu merupakan masalah yang perlu dijawab. Pada
korelasi tidak dipersoalkan apakah X atau Y yang menjadi respons atau peubah bebas,
keduanya dianggap setara, dan masing-masing dianggap peubah acak.
Pada contoh beberapa kasus, kita mungkin tertarik pada korelasi antara banyaknya
lemak dalam menu makanan dengan timbulnya serangan jantung dalam populasi manusia,
antara panjang kaki depan dengan panjang kaki belakang dalam konsumsi mamalia, antara
berat badan dan produksi telur lalat betina, antara umur dan jumlah biji pada tanaman gulma.
Untuk saat ini cukup disebutkan bila kita ingin mengetahui derajat asumsi antara pasangan
variabel dalam suatu contoh populasi, pendekatan yang cocok adalah analisis korelasi.
Jadi suatu koefisien korelasi yang dihitung dari data yang telah dianalisis dengan regresi
Model I tidak ada artinya sebagai penduga koefisien korelasi populasi apapun. Sebaliknya,
berlaku pula bila kita menghitung koefisien regresi dari suatu variabel pada variabel lain dalam
data yang seharusnya dihitung sebagai korelasi. Pembuatan hubungan fungsional kedua
variabel tersebut tidak saja tidak memenuhi maksud kita, tetapi juga harus ditekankan bahwa
koefisien regresi konvensional yang dihitung dari data yang kedua variabelnya tersebut diukur
dengan kesalahan- seperti halnya dalam analisis korelasi, merupakan penduga yang dapat
diperoleh dari hubungan fungsional tersebut.
Bahkan jika kita mencoba metode yang betul dan sejalan dengan tujuan kita, kita
mungkin mendapat kesukaran dengan sifat data. Jadi andaikan kita ingin menentukan
BAB XIII Korelasi dan Regresi 212

kandungan kolesterol dalam darah sebagai fungsi dari berat badan, untuk mengerjakannya kita
dapat mengambil contoh acak pria dari kelompok yang sama umurnya, menentukan
kandungan kolesterol dan berat badan masing-masing orang, dan membuat regresi kandungan
kolesterol terhadap berat badan. Akan tetapi kedua variabel tersebut telah diukur dengan
sesatan. Variat variabel X yang seharusnya merupakan variabel bebas tidak dengan sengaja
dipilih atau diatur oleh peneliti. Asumsi yang mendasari regresi Model I tidak berlaku, dan
menerapkan regresi model I pada data tersebut adalah tidak benar, walaupun anda dengan
mudah menemukan contoh-contoh yang tidak tepat seperti di atas dalam pustaka penelitian
yang diterbitkan. Bila benar-benar merupakan suatu persamaan yang menggambarkan
ketergantungan Y pada X seperti yang dicari, kita harus mengerjakan regresi model II. Akan
tetapi bila derajat asumsi antar variabel (satu sama lain saling tergantung) yang diinginkan,
maka kita harus melakukan analisis korelasi, karena datanya cocok untuk analisis tersebut.
Kesulitan sebaliknya adalah bila mencoba mendapatkan koefisien korelasi dari data yang telah
dihitung dengan tepat sebagai regresi, yaitu dihitung bila X adalah tertentu. Sebagai suatu
contoh adalah detak jantung makhluk berdarah dingin sebagai fungsi suhu dalam suatu
percobaan yang menggunakan beberapa suhu. Koefisien korelasi seperti ini matematis mudah
diperoleh, tetapi hanya merupakan nilai numerik saja, tidak merupakan penduga ukuran
parametrik ukuran korelasi. Terdapat suatu penafsiran tentang kuadrat koefisien korelasi yang
mempunyai keterkaitan dengan masalah regresi, tetapi ini tidak merupakan suatu penduga
parameter korelasi.
Pembicaraan ini diringkas dalam Tabel 13.1, yang menunjukkan hubungan antara
korelasi dan regresi. Kedua kolom tabel menunjukkan dua keadaan pasangan variabel. Pada
kasus pertama, suatu variabel bersifat acak dan diukur dengan sesatan, variabel yang lain
bersifat tertentu, sedang pada kasus kedua, kedua variabel bersifat acak. Dalam pembicaraan
ini, kita menyimpang dari cara yang biasa kita lakukan dalam memberi lambang pasangan
variabel Y dan X atau X1, atau X2 untuk analisis korelasi maupun regresi. Dalam regresi kita
tetap menggunakan Y sebagai variabel tak bebas dan X untuk variabel bebas, tetapi dalam
korelasi kedua variabel tersebut sebenarnya merupakan variabel acak, yang kita sebut Y. Oleh
karena itu kita menyebut dua variabel tersebut Y1 dan Y2. Baris dalam tabel menunjukkan
maksud peneliti dalam melakukan analisis, dan keempat kuadran dalam tabel menunjukkan
prosedur yang cocok untuk suatu kombinasi tertentu atas tujuan peneliti dan sifat pasangan
variabel tersebut.
Tabel 13.1 Hubungan antara Korelasi dengan Regresi
Sifat kedua variabel
Tujuan Penelitian
Y acak, X tertentu Y1, Y2 keduanya acak
membuat dan menduga Regresi Model I. Regresi model II (tidak
ketergantungan satu variabel dibicarakan dalam buku ini).
terhadap yang lain (menjelaskan
hubungan fungsional dan/atau
meramalkan suatu variabel
dengan menggunakan variabel
yang lain).
mendapatkan dan menduga tidak ada artinya dalam hal Koefisien korelasi (Uji
hubungan (saling ketergantungan demikian. Bila diinginkan, suatu signifikansi akan sesuai hanya
antara dua variabel) penduga proporsi keragaman Y apabila Y1, Y2 menyebar
yang dapat diterangkan oleh X sebagai variabel bivariat yang
dapat diperoleh sebagai kuadrat normal)
koefisien korelasi antara X dan Y
 Sulisetijono, Statistika dalam Bidang Biologi … 213

Korelasi adalah pengukur hubungan dua variabel atau lebih yang dinyatakan dengan
derajat keeratan atau tingkat hubungan antarvariabel. Pengukuran derajat hubungan dengan
metode korelasi yaitu dengan koefisien korelasi r. Dalam hal ini, dengan tegas dinyatakan
bahwa dalam analisis korelasi tidak mempersoalkan apakah variabel yang satu tergantung
pada variabel yang lain atau sebaliknya. Metode korelasi dapat dipakai untuk mengukur
derajat hubungan antarvariabel bebas dengan variabel bebas yang lainnya atau antar fua
variabel.
Regresi adalah pengukur hubungan dua variabel atau lebih yang dinyatakan dengan
bentuk hubungan atau fungsi. Untuk menentukan bentuk hubungan (regresi) diperlukan
pemisahan yang tegas antara variabel bebas yang sering diberi simbol X dan variabel tak bebas
dengan simbol Y. Pada regresi harus ada variabel yang ditentukan dan variabel yang
menentukan atau dengan kata lain adanya ketergantungan variabel yang satu dengan variabel
yang lainnya dan sebaliknya. Kedua variabel biasanya bersifat kausal atau mempunyai
hubungan sebab akibat yaitu saling berpengaruh. Dengan demikian, regresi merupakan
bentuk fungsi tertentu antara variabel tak bebas Y dengan variabel bebas X atau dapat
dinyatakan bahwa regresi adalah sebagai suatu fungsi Y = f(X). Bentuk regresi tergantung pada
fungsi yang menunjangnya atau tergantung pada persamaannya.

Koefisien Korelasi
Korelasi dinyatakan dengan koefisien (r) dan merentang –1 sampai + 1. Koefisien 1,
dengan tanda + atau – , menunjukkan korelasi sempurna antara dua variabel. Sebaliknya,
koefisien nol berarti tidak ada korelasi sama sekali. keragaman dalam derajat korelasi
dinyatakan oleh koefisien yang merentang dari 0 sampai 1 dan dari –1 sampai 0.
Kita dapat merajah deretan titik yang masing-masing mewakili besaran variabel X dan Y
(koordinat, yang terdiri atas pasangan nilai variabel X dan Y) dan memperoleh berbagai pola;
beberapa diperlihatkan oleh Gambar 13.1. Diagram (a) memperlihatkan deretan titik yang tidak
terletak pada satu garis lurus. Ini menyatakan korelasi yang kurang sempurna, tetapi
memperlihatkan kecenderungan umum dalam arah positif. Jika tinggi badan dan bobot dalam
sampel yang berupa orang dewasa dikorelasikan, mungkin sekali diperoleh pola serupa
dengan pola a. Pola korelasi tidak sempurna yang serupa diperlihatkan oleh pola b, tetapi
dalam hal ini kemiringan itu negatif, menunjukkan korelasi negatif. Pola serupa dengan b
dapat diperoleh dari hasil perajahan kejadian’banyaknya gigi berlubang’ lawan ‘taraf fluorisasi’
pada anak-anak. Diagram (c) memperlihatkan korelasi negatif yang sempurna (-1) yang dapat
diperoleh dari perajahan percepatan lawan massa dalam menggunakan hukum kedua
Newton, F= ma. Diagram (d) memperlihatkan hamburan acak titik yang dapat diharapkan dari
perajahan Y lawan X bila kedua variabel itu sama sekali tidak berkaitan.
Apakah korelasi yang ’baik’ itu? Ini jelas bergantung pada apa yang dilakukan peneliti
atau pada apa yang diharapkannya dari uji kajinya. Jika ia berharap uji kajinya menunjukkan
tidak terdapat kaitan antara dua variabel, maka koefisien sebesar nol akan sangat
menggembirakan. Jika sebaliknya, ia mengharapkan akan terlihat kaitan yang erat, maka harga
r yang mendekati  1 akan di pandang sebagai hasil yang optimum. Sebagaimana lazimya,
sistem yang hidup tidak membantu dengan menghasilkan bilangan bulat; keragaman lebih
mungkin terjadi daripada perkecualian. Karena itu, dalam kebanyakan hal, kemungkinan besar
biologiwan harus puas dengan koefisien yang kurang sempurna.
Jika koefisien korelasi(r) dikuadratkan, didapat koefisien penentu(r2). Nilai ini boleh
dipakai sebagai taksiran untuk kekuatan kaitan antara dua variabel yang berkorelasi. Koefisien
penentu khususnya menaksirkan persentase keragaman X yang berkaitan dengan (
atau'’diterangkan oleh') keragaman Y – atau sebaliknya. Sebagai contoh, jika korelasi terok
antara dua variabel (seperti klorofil a dan biomassa) besarnya 0,50, koefisien penentu sebesar
BAB XIII Korelasi dan Regresi 214

0,25 diperoleh dari mengkuadratkan korelasi 0,50 tersebut. Ini memberi petunjuk bahwa 25%
dari kergaman salah satu dari kedua variabel berkaitan dengan atau’ diterangkan oleh’
keragaman variabel yang lain. Kita tidak dapat mengatakan bahwa yang mana’menerangkan’
yang mana karena keduanya dipandang sebagai variabel tak terbatas. Tentu saja, bila dikatakan
bahwa 25% keragaman salah satu variabel ‘diterangkan’ oleh variabel lainnya, kita mengambil
titik pandang optimis bahwa satu gelas berisi seperempat penuh. Seorang pesimis sebaliknya
mungkin mengatakan bahwa gelas itu tiga perempat kosong! Hal kita ini nadanya tidak sekeras
bila kita mengatakan bahwa 75% keragaman salah satu variabel tidak dijelaskan oleh
keragaman variabel lainnya. Jika kita menyimak perhitungannya, tampak bahwa nilai r 2
bertambah dengan cepat jika r bertambah. Misalnya, bila r = 0,10, r2= 0,01; bila r= 0,20, r2=0,04;
bila r = 0,60, r2 = 0,36; bila r = 0,90, r2 = 0,81, dan seterusnya. Kaena itu kita harus memperoleh
nilai r yang cukup besar untuk membenarkan bahwa kedua variabel itu mempunyai derajat
kaitan yang tinggi.

Pengetesan Signifikansi
Bilamana nilai r sudah ditemukan, kita dapat menarik beberapa kesimpulan dari nilai r
yang kita kenakan pada populasi. Hal ini tentu sangat tergantung pada sifat sampel data.
Bilamana sampel yang diambil untuk penelitian adalah sampel random, maka kita dapat
menarik kesimpulan tentang populasi atas dasar bahan-bahan dari sampel itu. Akan tetapi
bilamana keadaannya adalah sebaliknya, yaitu bilamana kita meneliti suatu sampel yang tidak
diambil secara random, maka kita harus puas dengan kesimpulan-kesimpulan yang hanya
terbatas pada sampel itu sendiri, tanpa ada maksud untuk mengadakan generalisasi pada
populasi. Dalam hal semacam ini seorang peneliti tidak ubahnya seorang wartawan, yaitu
menyajikan fakta-fakta. Bilamana hendak diadakan simpulan secara ilmiah, simpulan itu lebih
bersifat indikatif daripada konklusif.
Suatu pertanyaan yang ingin dijawab bilamana kita ingin menarik kesimpulan dari
sampel untuk populasi adalah apakah mungkin kita memperoleh r sebesar sekian atau sekian
dari suatu sampel random kalau r dalam populasi adalah nol. Ini adalah semacam mengetes
hipotesa nihil, yaitu bahwa tidak ada perbedaan antara nilai r yang diperoleh dari sampel
dengan nilai r dari populasi, atas dasar pokok pikiran bahwa nilai r dari populasi adalah nol.
Untuk menyelesaikan soal itu tidaklah sukar, karena di sini kita tidak memerlukan
rumus-rumus lain. Dengan nilai r yang telah kita peroleh, kita dapat secara langsung melihat
tabel korelasi yang disediakan dalam apendiks di bagian belakang buku ini untuk mengetes
apakah nilai r yang kita peroleh itu berarti atau tidak (signifikan atau nonsignifikan) atas
dasar taraf kepercayaan sekian atau sekian persen. Tabel korelasi itu mencantumkan batas-
batas nilai r yang signifikan (berarti) pada taraf-taraf signifikansi tertentu a). Bilamana nilai r
yang diperoleh sama dengan atau lebih besar daripada nilai r dalam tabel r itu, maka nilai r
yang diperoleh itu signifikan. Dengan nilai r yang signifikan kita akan menolak hipotesa yang
mengatakan bahwa korelasi antara X dan Y dalam populasi adalah nol, atas dasar taraf
signifikansi yang kita gunakan (yaitu 5% atau 1%). Ini sama halnya dengan mengatakan bahwa
tidak mungkin kita memperoleh r (sebesar sekian atau sekian) irtu dari sampel yang kita ambil
secara random kalau nilai r dalam populasi adalah nol. Sebabnya karena batas-batas nilai yang
disebabkan oleh kesalahan sampling sudah dilewati. Perhatikan baik-baik tabel r itu. Bilangan-
bilangan yang membatasi signifikan tidaknya sesuatu nilai r sangat tergantung kepada N yang
diselidiki dalam sampel. Makin besar N makin rendah batas signifikansi.
Untuk memahami secara kongkret apa yang baru dibicarakan itu baiklah kita ambil
sebagai contoh nilai r yang kita peroleh dari tabel regresi. Nilai yang kita peroleh adalah 0,830.
Dengan nilai r itu kita hendak mengadakan pengetesan apakah nilai itu signifikan ataukah
tidak atas dasar taraf signifikansi 5%. Jumlah subyek atau N yang diselidiki ada 30. Dengan
 Sulisetijono, Statistika dalam Bidang Biologi … 215

melihat N = 30 dalam kolom N dan membacanya ke kanan dalam kolom taraf signifikansi 5%
dalam tabel r akan kita ketemukan bilangan 0,361. Bilangan ini menunjukkan bilangan batas
signifikansi. Oleh karena nilai r yang kita peroleh, yaitu 0,830 berada jauh di atas batas
signifikansinya, yaitu 0,361, maka nilai r itu kita katakan signifikan. Dengan demikian kita
menolak hipotesa (nihil) yang mengatakan bahwa nilai r dalam populasi adalah nol (tidak ada
korelasi antara X dan Y, atau tegasnya tidak ada korelasi antara pengetahuan umum dan
matematik), sekiranya kita mengambil 30 orang dalam sampel penyelidikan itu secara random.

Syarat-Syarat untuk Pengetesan Nilai r

Agar kesimpulan yang ditarik tidak menyimpang dari kebenaran yang seharusnya
ditarik, maka syarat-syarat berikut ini perlu dipenuhi :
(1) Sampel yang digunakan dalam penyelidikan harus sampel yang diambil secara random
dari populasi terhadap mana kesimpulan penyelidikan hendak kita kenakan.
(2) Hubungan antara variabel x dengan variabel y merupakan hubungan garis lurus atau
hubungan linier.
(3) Bentuk distribusi variabel x dan variabel y dalam populasi adalah atau mendekati
distribusi normal.
Dari ketiga syarat itu, karena syarat yang ketiga sangat sukar diketahui a), maka bilamana
kedua syarat yang pertama telah dipenuhi biasanya orang dapat menarik kesimpulan-
kesimpulan dari sampel populasi tanpa kesalahan-kesalahan yang berarti.

Apa Gunanya r?
Bilamana ada alat yang dapat digunakan untuk landasan mengadakan ramalan atau
prediksi, salah satu dari alat itu adalah koefisien korelasi dari Pearson. Mengadakan prediksi ini
pada hakekatnya selalu kita jalankan dalam kehidupan sehari-hari. Sekolah-sekolah menerima
murid-murid baru atas dasar nilai-nilai sekolah. Apakah artinya ini? Ini berarti bahwa sekolah-
sekolah tersebut membuat ramalan bahwa bilamana murid-murid memperoleh angka-angka
yang baik dalam ujian, maka mereka akan sukses dalam sekolah itu. Ini tentu saja merupakan
tindakan yang jauh lebih bijaksana daripada menyerahkan diri pada hal-hal yang terjadi secara
kebetulan, atau meraba-raba tanpa dasar-dasar yang tegas.
Seperti telah dikatakan di muka, bilamanana kita memperoleh korelasi yang positif
antara dua variabel, ini berarti bahwa kenaikan nilai-nilai dalam variabel yang satu secara
proporsional akan diikuti oleh kenaikan pada nilai-nilai variabel lainnya, sehingga dari nilai
variabel yang satu kita sampai pada taraf-taraf tertentu dapat meramalkan nilai variabel
lainnya yang belum kita ketahui. Jadi kalau misalnya ada korelasi yang positif antara
banyaknya minuman keras yang diminum oleh suami dengan jumlah perselisihan dalam
rumah tangga, maka makin banyak suami minum alkohol dapat diramalkan akan terjadi makin
banyak perselisihan dalam rumah tangganya.
Akan tetapi bilamana variabel X dan varibel Y mempunyai hubungan yang negatif, maka
keadaan yang sebaliknya yang akan kita jumpai. Nilai r yang negatif menunjukkan bahwa
kenaikan nilai variabel yang satu akan diikuti secara proporsional oleh turunnya nilai variabel
lainnya, sehingga kita dapat meramalkan bahwa orang-orang yang mempunyai nilai yang
besar dalam variabel X akan menunjukkan nilai yang kecil dalam variabel Y. Korelasi negatif
yang hampir sempurna pernah diketemukan oleh TRAVIS antara variabel berat badan dan
kemampuan mempertahankan keseimbangan badan. Dengan demikian kita dapat meramalkan
bahwa makin berat badan orang, akan makin kecil kemampuannya untuk mempertahankan
keseimbangan badannya. Dan sebaliknya, makin kurang berat badan orang akan makin besar
kemampuannya untuk mempertahankan keseimbangan badannya.
BAB XIII Korelasi dan Regresi 216

Bilamana korelasi antara variabel X dan variabel Y sama dengan nol, maka tidak ada
ramalan yang dapat dibuat. Seperti telah dikatakan di muka, koefisien korelasi sama dengan
nol berarti tidak ada korelasi. Jika antara dua variabel X dan Y tidak ada korelasi maka sesuatu
nilai dalam variabel X mungkin disertai oleh nilai variabel Y yang tinggi atau rendah, sehingga
tidak dapat diramalkan apakah kenaikan dalam variabel X akan diikuti oleh kenaikan atau
penurunan nilai variabel Y.

REGRESI
Dalam regresi kita menduga hubungan sebuah variabel dengan variabel lain dengan
menyatakan satu variabel sebagai fungsi linier (atau fungsi lain yang lebih rumit) dari variabel
lain. Penggunaan regresi juga untuk meramalkan nilai sebuah variabel dengan nilai variabel
lain. Variabel yang dibicarakan dalam regresi dan korelasi adalah kontinu atau segmental. Jika
segmental, data tersebut diperlakukan sebagai data kontinu. Jika variabel bersifat kualitatif
(yaitu bila datanya merupakan sifat), metode regresi dan korelasi parametrik tidak dapat
digunakan.
Banyak pemikiran ilmiah tentang hubungan antar pasangan variabel dihipotesiskan
sebagai hubungan sebab akibat. Kita akan puas dengan menentukan bentuk signifikansi
hubungan fungsional antara dua variabel dan membiarkan pembuktian hubungan sebab akibat
pada prosedur metode ilmiah yang telah ada. Suatu fungsi merupakan hubungan matematika
yang memungkinkan untuk menentukan nilai sebuah variabel Y pada nilai tertentu variabel X.
Hubungan demikian biasanya ditulis sebagai Y = f (X).
Regresi linier dapat diperlihatkan pada Gambar 13.1 yang menggambarkan hubungan
dua macam obat pada tekanan darah dua species hewan.

180,0
Obat A pada P
160,0
y = 15x + 20
Tekanan darah dalam mmHg

140,0

120,0 Obat B pada Q

y = 7,5x + 40
100,0
y = 7,5x + 20
80,0 Obat B pada P

60,0

40,0

20,0

0,0
0 1 2 3 4 5 6 7 8 9
Microgram obat/cc darah

Gambar 13.1 Tekanan Darah Hewan dalam mmHg sebagai Fungsi Kadar Obat dalam g per
cc Darah

Hubungan yang digambarkan dalam grafik Gambar 13.1, dapat dinyatakan dengan rumus Y =
a + bX atau Y = β0 + β1X. Y merupakan fungsi X, peubah Y sebagai peubah tidak bebas;
sedangkan X sebagai peubah bebas. Y sering juga disebut sebagai peubah kriterium dan X
disebut sebagai peubah prediktor. Besarnya tekanan darah Y tergantung pada jumlah obat X
 Sulisetijono, Statistika dalam Bidang Biologi … 217

dan karena itu dapat diduga dari peubah bebas, yang dianggap bebas untuk berubah.
Penyebab selalu akan dianggap sebagai peubah bebas dan akibat sebagai peubah tidak bebas,
hubungan fungsional yang teramati di alam dapat merupakan sesuatu yang bukan merupakan
hubungan sebab akibat. Garis tertinggi adalah hubungan Y = 20 + 15X, yang menggambarkan
pengaruh obat A pada hewan P. Banyaknya obat diukur dalam mikrogram, tekanan darah
dalam mmHg. Dengan demikian, setelah diberi 4 μg obat, tekanan darah menjadi Y = 20 + (15)
(4) = 80 mmHg.

Analisis korelasi dan regresi merupakan analisis yang berkaitan dengan masalah
hubungan. Korelasi: menjelaskan derajat atau tingkat keeratan hubungan antara 2 atau lebih
variabel yang saling gayut yang ditunjukkan dengan koefisien korelasi (r). Variabel tersebut
juga ditentukan oleh skala data yang diperoleh. Regresi: menjelaskan hubungan
ketergantungan suatu Y pada X, yang ditunjukkan dengan bentuk hubungan antara 2 atau
lebih variabel. Bentuk hubungan dalam bentuk fungsi atau persamaan matematik.

Diagram pencar (Scatter Diagram) dapat dilihat seperti pada Gambar 13.2.

Gambar 13.2 Beberapa Bentuk Diagram Pencar yang menunjukkan Macam Korelasi
BAB XIII Korelasi dan Regresi 218

Arah korelasi positif, negatif atau tidak berkorelasi. Korelasi positif: cenderung berubah
secara bersama dalam satu arah yang sama, sama-sama meningkat atau sama-sam menurun.
Korelasi negatif: cenderung berubah dalam arah berlawanan, X meningkat maka Y menurun
atau sebaliknya X menurun maka Y meningkat.
Koefisien korelasi berkisar antara -1 ---- 0 ------ +1
Korelasi sederhana melibatkan satu variabel X dengan Y.

Dalam pembicaraan regresi dan korelasi data yang dianalisis harus bersifat kuantitatif
atau terukur atau terhitung atau dapat dikuantitatifkan; jadi sekurang-kurangnya data dengan
skala interval. Data kuantitatif dapat dibedakan atas dua macam yaitu: Data atau pernyataan
yang bersifat bebas adalah pernyataan yang ditentukan dengan bebas pilih. Pernyataan ini
sering disebut dengan variabel bebas atau variabel bebas atau prediktor atau independent
variable (sering dilambangkan dengan X). Data atau pernyataan yang tergantung atau terikat
pada variabel bebas disebut dengan variabel tak bebas atau variabel tergantung atau variabel
tak bebas atau variabel endogen atau kriterium atau dependent variable. Tujuan mempelajari
korelasi dan regresi adalah untuk menemukan atau mencari hubungan antarvariabel, sebagai
dasar untuk dapat dipakai melakukan penaksiran atau peramalan atau estimasi dari hubungan
antarvariabel tersebut.

Uji korelasi dapat diikhtisarkan seperti berikut.

- Product moment (Pearson)

- Rank Tata Jenjang (Spearman)
Sederhana
Tau-Kendall (-Kendall)
- Serial
Linier - Point serial
- Phi ()
- Kontingensi

Korelasi (Ber)ganda
Parsial

Sederhana

Non-
linier

(Ber)ganda

Korelasi Product Moment (Pearson)

 xy
rxy =
 
 x2  y2 
 xy =  XY 
 X Y (sigma xy skor deviasi)
N
 jumlah kuadrat produk dari x dan y atau jumlah hasil kali X dan Y
 XY  sigma XY skor kasar
 Sulisetijono, Statistika dalam Bidang Biologi … 219

 X 2
 x2 =  X2 
N
 Y 2
 y 2 =  Y2 
N
 XY -
 X  Y 
atau rxy = N

 X 2 
 X 2   2   Y 2 
Y
 N 

N 


Contoh
Sampel terdiri dari 12 daun tumbuhan P dikumpulkan secara acak. Panjang dan lebar daun
diukur teliti sampai skala mm. Data panjang dan lebar daun seperti berikut.
Daun ke- Lebar (X) Panjang (Y)
1 35 55
2 21 44
3 25 46
4 35 60
5 26 55
6 40 57
7 35 64
8 40 68
9 25 51
10 42 61
11 23 46
12 25 44
Buatlah rumusan masalah, hipotesis penelitian, uji hipotesis dan kesimpulan.
Rumusan Masalah
Apakah lebar daun berhubungan (berkorelasi) dengan panjang daun?
Redaksi lain: Apakah ada korelasi (hubungan) antara lebar daun dengan panjang daun?
Hipotesis Penelitian
Lebar daun berhubungan (berkorelasi) dengan panjang daun.
atau ada korelasi (hubungan) antara lebar daun dengan panjang daun.
Uji Hipotesis
Hipotesis diuji dengan menggunakan uji korelasi
Penyelesaian hitungan:
1. cara manual
2. cara dengan menggunakan alat bantu kalkulator
∑ = 20764 ∑ = 372 ∑ = 651 ̅ = 31 ̅ = 54,25

∑ =12160 ∑ = 36045
dimasukkan ke rumus:

372 651 372 2

 xy = 20764  = 583  x 2 = 12160  = 628
12 12
BAB XIII Korelasi dan Regresi 220

6512
 y 2 = 36045  = 728,25
12
583 583
rxy = =
628 728,25 676,2699165
rxy = 0,862081819
Uji atau Tes signifikansi
Tes signifikansi dirujuk dengan r tabel (harga kritis dari r product moment) (Tabel 12a
kumpulan tabel halaman 26)
r0,05 dengan N =12 dibaca pada Tabel  0,576
atau r0,05 dengan db =N-2  db = 12-2 = 10, dibaca pada Tabel  0,576
Rujukan
rxy hitung = 0,862081819 lebih besar daripada nilai r0,05 (r tabel) = 0,576, hasil hitung signifikan
H0 (hipotesis nihil/nol) ditolak, hipotesis penelitian diterima berarti lebar daun berhubungan
(berkorelasi) dengan panjang daun (Ada korelasi (hubungan) antara lebar daun dengan
panjang daun).
Untuk mengetahui besarnya sumbangan faktor lebar daun terhadap variasi nilai panjang daun
dapat dicari besarnya koefisien determinasi ( rxy 2 ) yang dinyatakan dalam persen (%). Pada
persoalan ini besarnya nilai koefisien determinasi adalah rxy 2 = 0,862081819 2 = 0,743185062 atau
74,3185062%  74,32%. Dengan demikian kesimpulan penelitian dapat diungkapkan seperti
berikut.
Kesimpulan Penelitian
Lebar daun berkorelasi dengan panjang daun (ada korelasi antara lebar daun dengan panjang
daun), dengan sumbangan faktor lebar terhadap panjang daun sebesar 74,32%, sedangkan
sisanya 25,68% diterangkan oleh faktor-faktor lain selain lebar daun.

Penentuan kekuatan besaran hubungan korelasi bisa berdasarkan besaran hubungan korelasi
Pearson. Contoh penentuan kekuatan besarnya nilai reliabilitas soal setelah dianalisis dengan
uji reabilitas Cronbach Alpha. Jika sampel kurang dari 100, maka angka korelasi terkecil yang
dapat dipertimbangkan adalah  0,30. Besaran hubungan korelasi Pearson disajikan pada Tabel
13.2.

Tabel 13.2 Besaran Hubungan Korelasi Pearson

No. R (koefisien korelasi Ukuran tingkat hubungan

1. 0,0  r  0,2 sangat rendah
2. 0,2  r  0,4 rendah
3. 0,4  r  0,6 sedang
4. 0,6  r  0,8 kuat
5. 0,8  r  1,0 sangat kuat
 Sulisetijono, Statistika dalam Bidang Biologi … 221

REGRESI LINIER SEDERHANA

Contoh Soal
Peneliti ingin mengetahui hubungan antara dosis pemupukan nitrogen (N) berbagai taraf
dengan produksi kapas (ku/ha). Data yang dikumpulkan seperti berikut.

Data ke- Pupuk N Produk Kapas

1 0 2
2 20 4,5
3 40 7
4 60 9
5 80 13

Buatlah rumusan masalah, hipotesis penelitian, uji hipotesis dan kesimpulan.

Persoalan ini adalah masalah regresi, karena faktor pupuk N dikendalikan oleh peneliti atau
ada perlakuan (treatman) berupa pemberian dosis pupuk nitrogen yang bervariasi.
Penyelesaian
Rumusan Masalah
Apakah ada hubungan (korelasi) antara dosis pemupukan nitrogen dengan produksi kapas?
Hipotesis Penelitian
Ada hubungan (korelasi) antara dosis pemupukan nitrogen dengan produksi kapas.
Uji Hipotesis
Hipotesis diuji dengan menggunakan uji regresi.
Penyelesaian hitungan:
1. cara manual
2. cara dengan menggunakan alat bantu kalkulator
Dalam uji regresi, langkah pertama dicari dulu koefisien korelasi product momen (rxy), langkah
selanjutnya dicari persamaan regresi.
Langkah pertama
∑ = 1950 ∑ = 200 ∑ = 35,5 ̅ = 40 ̅ = 7,1

∑ =12000 ∑ = 323,25
dimasukkan ke rumus:
200 35,5 200 2 35,52
 xy = 1950  = 530  x 2 = 12000  = 4000  y 2 = 323,25  = 71,2
5 5 5
530 530
rxy = =
4000 71,2 533,6665626
rxy = 0,993129487

Uji atau Tes signifikansi

Tes signifikansi dirujuk dengan r tabel (harga kritis dari r product moment) (Tabel 12a
kumpulan tabel halaman 26)
r0,05 dengan N =5 dibaca pada Tabel  0,878
atau r0,05 dengan db =N-2  db = 5-2 = 3, dibaca pada Tabel  0,878
BAB XIII Korelasi dan Regresi 222

Rujukan
rxy hitung = 0,993129487 lebih besar daripada nilai r0,05 (r tabel) = 0,878, hasil hitung signifikan
H0 (hipotesis nihil/nol) ditolak, hipotesis penelitian diterima berarti dosis pemupukan nitrogen
berhubungan (berkorelasi) dengan produksi kapas. [ada hubungan (korelasi) antara dosis
pemupukan dengan produksi kapas].

Langkah kedua
Mencari persamaan garis regresi (Y = + X atau Y = a + bX) dengan metode skor deviasi.
= a = konstanta = b = koefisien regresi
y = ax > y = βx
∑
dimana y = Y - ̅ ; x = X - ̅ ; β =
∑
Data yang diperoleh:
 xy = 530
 x 2 = 4000 y = 0,1325x
∑
β= = = 0,1325
∑
Persamaan garis regresi: y = βx  y = 0,1325x
dapat diselesaikan Y - ̅ = 0,1325 (X - ̅)
Y – 7,1 = 0,1325 (X-40)  Y = 0,1325 X – (0,1325 x 40) + 7,1
Y = 0,1325X – 5,3 + 7,1
Ŷ = 1,8 + 0,1325X
Persamaan garis regresi Ŷ = 1,8 + 0,1325X perlu diuji untuk dapat diterima atau tidak. Uji faris
garis regresi dilakukan dengan Analisis varian garis regresi seperti pada Tabel 13.3 dan Tabel
13.4.
Tabel 13.3 Ringkasan Anareg (Anava untuk garis regresi)

Sumber db JK KT Fhit-reg F0,05

Variasi
(∑ ) Ftabel; (db reg;
Regresi (reg) 1
∑ db res)
JKtotal -
Residu (res) N-2
JKregresi
Total N-1 ∑

Tabel 13.4 Ringkasan Anareg untuk regresi Y = 1,8 + 0,1325X

Sumber db JK KT Fhit-reg F0,05

Variasi
Regresi 1 = 70,225 70,225 216,0769231 10,13
Residu 3 71,2 – 70,225= 0,325
0,975
Total 4 71,2

Rujukan: F-hitung garis regresi 216,0769231 lebih besar daripada F0,05 (1:3) = 10,13
Berarti H0 ditolak, β ≠ 0 diterima; model regresi Y = 1,8 + 0,1325X diterima (dapat diandalkan).
Besarnya nilai keterandalan ditentukan oleh rxy 2 (koefisien determinasi).
 Sulisetijono, Statistika dalam Bidang Biologi … 223

Kesimpulan
Ada hubungan yang signifikan antara dosis pemupukan nitrogen dengan produksi
kapas menurut persamaan garis regresi Ŷ = 1,8 + 0,1325 X dengan keterandalan model sebesar
98,63%. Maknanya variasi (keragaman) produksi kapas (Y) dapat diterangkan oleh dosis
pemupukan (X) menurut persamaan Ŷ = 1,8 + 0,1325 X sebesar 98,63% sedangkan sisanya 1,37%
diterangkan oleh faktor selain dosis pemupukan (X).

Pengujian koefisien garis regresi linier sederhana dengan uji t

Setelah dilakukan pengujian dengan uji F maka selanjutnya, dilakukan pengujian
terhadap koefisien regresi b0 dan b1 dengan uji t seperti berikut.
Secara umum uji t mempunyai rumus adalah t-hitung bi =
Selanjutnya, dalam analisis regresi dua variabel nilai salah baku bi yang ditulis dengan Sbi
mempunyai persamaan seperti berikut.
Untuk pengujian b0 nilai salah baku Sb0 dari data di atas:
∑
Sbo = √ =√ =√ = 0,441588043
Untuk pengujian b1 nilai salah baku Sb1 dari data di atas:

Sb1 = √ =√ =√ = 0,009013878

Uji t terhadap nilai koefisien regresi b0:

t-hitung bo = = = 4,076197326  4,076

Uji t terhadap nilai koefisien regresi b1:

t-hitung b1 = = = 14,69955551  14,700
Berdasarkan hasil uji t ternyata bahwa nilai t-hitung yang diperoleh dibandingkan
dengan t-tabel (5%, db galat = 3) yaitu sebesar 3,1824. Hasil t-hitung > t tabel 5% baik untuk
nilai b0 dan b1. Hal ini berarti bahwa dari analisis tersebut H0 ditolak baik untuk uji b0 dan uji
b1.
Dengan demikian dapat dikatakan bahwa: 1) garis regresi penduga Ŷ = 1,8 + 0,1325 X
tidak melalui titik 0,0 atau titik acuan; 2) garis regresi penduga Ŷ = 1,8 + 0,1325 X tidak sejajar
dengan sumbu X, atau mempunyai slope sebesar 0,1325.

Kita cuplik hasil dari SPSS.

Descriptive Statistics
Mean Std. Deviation N
Y 7,100 4,2190 5
X1 40,00 31,623 5

Model Summary(b)
Adjusted R Std. Error of Durbin-
Model R R Square Square the Estimate Watson
1 ,993(a) ,986 ,982 ,5701 2,349
a Predictors: (Constant), X1
b Dependent Variable: Y
BAB XIII Korelasi dan Regresi 224

ANOVA(b)
Sum of
Model Squares df Mean Square F Sig.
1 Regression 70,225 1 70,225 216,077 ,001(a)
Residual ,975 3 ,325
Total 71,200 4
a Predictors: (Constant), X1
b Dependent Variable: Y

Coefficients(a)
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1,800 ,442 4,076 ,027
X1 ,132 ,009 ,993 14,700 ,001
a Dependent Variable: Y

KORELASI DAN REGRESI (BER)GANDA

Hubungan yang berkaitan dengan 3 variabel atau lebih disebut dengan korelasi ganda.
Regresi digunakan untuk melakukan pengujian hubungan antara sebuah variabel dependent
(terikat) dengan satu atau beberapa variabel independent (bebas) yang ditampilkan dalam
bentuk persamaan regresi. Jika variabel independent-nya lebih dari satu (X1, X2, X3, …. Xi),
maka persamaan regresinya adalah persamaan regresi linier berganda (multiple liniear
regression).

X Y X1
Y
korelasi sederhana X2

X1
korelasi ganda
X2 Y

dst …
Xn

Contoh Soal:
Seorang peneliti ingin mengetahui hubungan antara laju pertumbuhan ikan (X 1) dan indeks
kepadatan zooplankton (X2) dengan indeks besarnya ikan di suatu danau (Y).
Data sebagai berikut.
 Sulisetijono, Statistika dalam Bidang Biologi … 241

D. Ringkasan
Analisis korelasi dan regresi merupakan analisis yang berkaitan dengan masalah
hubungan. Korelasi menjelaskan derajat atau tingkat keeratan hubungan antara 2 atau lebih
variabel yang saling gayut yang ditunjukkan dengan koefisien korelasi (r). Variabel tersebut
juga ditentukan oleh skala data yang diperoleh. Regresi menjelaskan hubungan ketergantungan
suatu Y pada X, yang ditunjukkan dengan bentuk hubungan antara 2 atau lebih variabel.
Bentuk hubungan dalam bentuk fungsi atau persamaan matematik.
Arah korelasi positif, negatif atau tidak berkorelasi. Korelasi positif: cenderung berubah
secara bersama dalam satu arah yang sama, sama-sama meningkat atau sama-sam menurun.
Korelasi negatif: cenderung berubah dalam arah berlawanan, X meningkat maka Y menurun
atau sebaliknya X menurun maka Y meningkat. Koefisien korelasi berkisar antara -1 -- 0 -- +1.
Korelasi sederhana melibatkan satu variabel X dengan Y. Korelasi ganda melibatkan
lebih dari satu variabel X. Demikian juga halnya dengan masalah regresi. Analisis korelasi
dengan regresi keduanya begitu erat. Pada masalah regresi ada variabel X yang dikendalikan
atau diperlakukan oleh peneliti.
Hubungan fungsi diantara 2 variabel x dan y menjadi tidak linier apabila laju perubahan
dalam y yang berhubungan dengan perubahan satu satuan x tidak konstan untuk suatu
jangkauan nilai-nilai x tertentu.

E. Latihan Soal Bab 13

1. Peneliti melakukan penelitian dengan mengambil cuplikan 12 kepiting Pachygrapsus

crassipes di pantai Tamban Kabupaten Malang. Peneliti melakukan pengukuran terhadap
berat badan dalam gram (Y2) dan berat insang dalam miligram (Y1). Hasil pengukuran
seperti berikut.
n ke- 1 2 3 4 5 6 7 8 9 10 11 12
Y1 159 179 100 45 384 230 100 320 80 220 320 210
Y2 14,40 15,20 11,30 2,50 22,70 14,90 1,41 15,81 4,19 15,39 17,25 9,52
Buatlah: a) rumusan masalah; b) Hipotesis penelitian; c) Uji hipotesis; d) Kesimpulan.
2. Data dikumpulkan untuk suatu penelitian keragaman geografis pada aphid Pemphigus
populitransversus. Nilai dalam tabel merupakan rerata lokasi berdasar ukuran sampel yang
sama untuk 23 lokasi perkebunan di Kabupaten Malang. Variabel yang diukur dinyatakan
dalam milimeter. Y1 = panjang tulang kering; Y = panjang pangkal kaki.

Kode lokasi 1 2 3 4 5 6 7 8 9 10
Y1 0,631 0,644 0,612 0,632 0,675 0,653 0,655 0,615 0,712 0,626
Y2 0,140 0,139 0,140 0,141 0,155 0,148 0,146 0,136 0,159 0,140

Kode lokasi 11 12 13 14 15 16 17 18 19 20
Y1 0,597 0,625 0,657 0,586 0,574 0,551 0,556 0,665 0,585 0,629
Y2 0,133 0,144 0,147 0,134 0,134 0,127 0,130 0,147 0,138 0,150

Kode lokasi 21 22 23
Y1 0,671 0,703 0,662
Y2 0,148 0,151 0,142
Buatlah: a) rumusan masalah; b) Hipotesis penelitian; c) Uji hipotesis; d) Kesimpulan.
BAB XIII Korelasi dan Regresi 242

3. Suhu air beberapa kedalaman di danau Panai dicatat pada waktu tertentu pada tahun 2013.
K = kedalaman (m) dan T (suhu dalam C)

K 0 1 2 3 4 5 6 9 12 15,5
T 24,8 23,2 22,2 21,2 18,8 13,8 9,6 6,3 5,8 5,6

Buatlah: a) rumusan masalah; b) Hipotesis penelitian; c) Uji hipotesis; d) Kesimpulan.

4. Larutan standar parasetamol dalam metanol diukur serapannya dengan spektrofluoro-
meter, dan hasilnya ditampilkan dalam tabel berikut ini.

Kadar (pg/mL) 0 2 4 6 8 10 12
Fluoresensi 2,1 5 9 12,6 17,3 21 24,7

Tentukanlah bentuk persamaan hubungan antara kadar parasetamol dengan fluoresensi,

berapa koefisien korelasi dan koefisien determinasinya? Berapa kadar parasetamol dalam
sampel jika fluoresensi larutan sampel = 15
5. Penelitian bertujuan untuk mengkaji hubungan panjang-berat dan faktor kondisi sotong (S.
inermis) dilakukan pada Pebruari 2013 di PPI Tambaklorok Semarang, untuk keperluan
praktis di bidang perikanan. Pengetahuan karakteristik morfometrik dan sifat pertumbuh-
an alometrik sebagai data dasar morfologi atau biologi pada sotong (S. inermis). Kaitan
antar dua parameter pertumbuhan pada bagian tubuh sotong dapat ditaksir melalui
persamaan regresi non-linier, yaitu Y = aXb. Linierisasi persamaan tersebut adalah: log10Y =
log10 a + b log10 X. Data hubungan panjang (L, dalam mm) dengan bobot sotong (W, dalam
gram), seperti berikut.
W 12,54 15,40 22,20 25,54 30,20 32,20 34,22 36,34 37,25 38,58
L 8,43 9,23 12,14 14,62 18,25 20,82 23,28 25,55 26,56 27,50
Buatlah: a) rumusan masalah; b) Hipotesis penelitian; c) Uji hipotesis; d) Kesimpulan
6. Penelitian untuk mencari bentuk hubungan antara hari lamanya berkecambah (hari)
dengan kadar gula reduksi (mg/mL) tanaman Phaseolus. Hasilnya seperti berikut
Hari ke- 1 2 3 4 5 6 7 8 9 10
Kadar reduksi 22,1 24,8 27,6 30,7 34,4 36,5 33,1 28,2 25,9 21,8
7. Peneliti pada awalnya merendam kacang tanah kultivar Jepara generasi M1 tingkat benih
pada berbagai konsentrasi insektisida Silosan 25 EC (ppm) (S). Selanjutnya dilakukan
pengamatan terhadap angka kematian larva ngengat serangga Corcyra cephalonica (%
kematian serangga = M) dan derajat infeksi hama tersebut, hasil setelah 7 hari diinfestasi
hama (I) adalah seperti pada Tabel. Peneliti ingin mengetahui sumbangan masing-masing
variabel.
S 0 55 90 125 160 195 230 265 300 335 370 405 440 380
M 93 81 71 67 56 46 35 32 31 25 19 18 16 13
I 90,1 83,2 70 65,4 61 56 43,7 37,3 33,3 25,2 18 18 15 11
Buatlah: a) rumusan masalah; b) Hipotesis penelitian; c) Uji hipotesis; d) Kesimpulan

Sulisetijono
Biologi FMIPA Universitas Negeri Malang
(State University of Malang)
Email: sulisetijono.fmipa@um.ac.id
copyright August 2016