Teknik Regresi dan Korelasi 21

BAB V

TEKNIK REGRESI DAN KORELASI

5.1 Regresi Linear Sederhana

Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk menguji sejauh
mana hubungan sebab akibat antara Variabel Faktor Penyebab (X) terhadap Variabel Akibatnya.
Faktor Penyebab pada umumnya dilambangkan dengan X atau disebut juga dengan Predictor
sedangkan Variabel Akibat dilambangkan dengan Y atau disebut juga dengan Response. Regresi
Linear Sederhana atau sering disingkat dengan SLR (Simple Linear Regression) juga merupakan
salah satu Metode Statistik yang dipergunakan dalam produksi untuk melakukan peramalan
ataupun prediksi tentang karakteristik kualitas maupun Kuantitas.

Contoh Penggunaan Analisis Regresi Linear Sederhana dalam Produksi antara lain :

1. Hubungan antara Lamanya Kerusakan Mesin dengan Kualitas Produk yang dihasilkan
2. Hubungan Jumlah Pekerja dengan Output yang diproduksi
3. Hubungan antara suhu ruangan dengan Cacat Produksi yang dihasilkan.

Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini :

Y = a + bX

Dimana :
Y = Variabel Response atau Variabel Akibat (Dependent)
X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)
a = konstanta
b = koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh Predictor.

Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini :

b = n(Σxy) – (Σx) (Σy) a

 Y  b(  X )
. n(Σx²) – (Σx)² n

Teknik Proyeksi Bisnis | DESTI DIRNAENI., SE, MM

 Teknik Regresi dan Korelasi 22

Berikut ini adalah Langkah-langkah dalam melakukan Analisis Regresi Linear Sederhana :

1. Tentukan Tujuan dari melakukan Analisis Regresi Linear Sederhana

2. Identifikasikan Variabel Faktor Penyebab (Predictor) dan Variabel Akibat (Response)
3. Lakukan Pengumpulan Data
4. Hitung X², Y², XY dan total dari masing-masingnya
5. Hitung a dan b berdasarkan rumus diatas.
6. Buatkan Model Persamaan Regresi Linear Sederhana.
7. Lakukan Prediksi atau Peramalan terhadap Variabel Faktor Penyebab atau Variabel
Akibat.

Contoh Kasus Analisis Regresi Linear Sederhana

Seorang Enginer ingin mempelajari Hubungan antara Suhu Ruangan dengan Jumlah Cacat yang
diakibatkannya, sehingga dapat memprediksi atau meramalkan jumlah cacat produksi jika suhu
ruangan tersebut tidak terkendali. Engineer tersebut kemudian mengambil data selama 30 hari
terhadap rata-rata (mean) suhu ruangan dan Jumlah Cacat Produksi.

Berikut ini adalah data yang berhasil dikumpulkan selama 30 hari (berbentuk tabel) :

Rata-rata
Jumlah
Suhu
Tanggal Cacat X2 Y2 XY
Ruangan
(Y)
(X)
1 24 10 576 100 240
2 22 5 484 25 110
3 21 6 441 36 126
4 20 3 400 9 60
5 22 6 484 36 132
6 19 4 361 16 76
7 20 5 400 25 100
8 23 9 529 81 207

Teknik Proyeksi Bisnis | DESTI DIRNAENI., SE, MM

 Teknik Regresi dan Korelasi 23

9 24 11 576 121 264

10 25 13 625 169 325
11 21 7 441 49 147
12 20 4 400 16 80
13 20 6 400 36 120
14 19 3 361 9 57
15 25 12 625 144 300
16 27 13 729 169 351
17 28 16 784 256 448
18 25 12 625 144 300
19 26 14 676 196 364
20 24 12 576 144 288
21 27 16 729 256 432
22 23 9 529 81 207
23 24 13 576 169 312
24 23 11 529 121 253
25 22 7 484 49 154
26 21 5 441 25 105
27 26 12 676 144 312
28 25 11 625 121 275
29 26 13 676 169 338
30 27 14 729 196 378
Total (Σ) 699 282 16487 3112 6861

Teknik Proyeksi Bisnis | DESTI DIRNAENI., SE, MM

 Teknik Regresi dan Korelasi 24

Menghitung Konstanta (a) : Menghitung Koefisien Regresi (b)

a = (Σy) – b (Σx) b = n(Σxy) – (Σx) (Σy)

. n . n(Σx²) – (Σx)²

a = (282) – 1,45 (699) b = 30 (6.861) – (699) (282)

30 . 30 (16.487) – (699)²

a = -24,45 b = 1,45

Model Persamaan Regresi

Y = a + bX
Y = -24,45 + 1,45X

Y = -24,45 + 1,45x + e

1. Prediksikan Jumlah Cacat Produksi jika suhu dalam keadaan tinggi (Variabel X),
contohnya : 30°C

Y = -24,38 + 1,45 (30)

Y = 19,12

Jadi Jika Suhu ruangan mencapai 30°C, maka akan diprediksikan akan terdapat 19,12
unit cacat yang dihasilkan oleh produksi.

2. Jika Cacat Produksi (Variabel Y) yang ditargetkan hanya boleh 4 unit, maka berapakah
suhu ruangan yang diperlukan untuk mencapai target tersebut ?

4 = -24,38 + 1,45X
1,45X = 4 + 24,38
X = 28,38 / 1,45
X = 19,57

Jadi Prediksi Suhu Ruangan yang paling sesuai untuk mencapai target Cacat Produksi
adalah sekitar 19,57°C
Teknik Proyeksi Bisnis | DESTI DIRNAENI., SE, MM
 Teknik Regresi dan Korelasi 25

5.2 Kesalahan Baku Estimasi

Digunakan untuk mengukur tingkat kesalahan dari model regresi yang dibentuk.

Rumus :

Se 
 (Y  Yˆ ) 2

nk

Rata-rata
Jumlah
Suhu
tanggal Cacat X2 Y2 XY Ŷ (Y - Ŷ)^2 (Y - Yrata-rata)^2
Ruangan
(Y)
(X)

1 24 10 576 100 240 10.35 0.1225 0.36

2 22 5 484 25 110 7.45 6.0025 19.36
3 21 6 441 36 126 6 0 11.56
4 20 3 400 9 60 4.55 2.4025 40.96
5 22 6 484 36 132 7.45 2.1025 11.56
6 19 4 361 16 76 3.1 0.81 29.16
7 20 5 400 25 100 4.55 0.2025 19.36
8 23 9 529 81 207 8.9 0.01 0.16
9 24 11 576 121 264 10.35 0.4225 2.56
10 25 13 625 169 325 11.8 1.44 12.96
11 21 7 441 49 147 6 1 5.76
12 20 4 400 16 80 4.55 0.3025 29.16
13 20 6 400 36 120 4.55 2.1025 11.56
14 19 3 361 9 57 3.1 0.01 40.96
15 25 12 625 144 300 11.8 0.04 6.76
16 27 13 729 169 351 14.7 2.89 12.96
Teknik Proyeksi Bisnis | DESTI DIRNAENI., SE, MM
 Teknik Regresi dan Korelasi 26

17 28 16 784 256 448 16.15 0.0225 43.56

18 25 12 625 144 300 11.8 0.04 6.76
19 26 14 676 196 364 13.25 0.5625 21.16
20 24 12 576 144 288 10.35 2.7225 6.76
21 27 16 729 256 432 14.7 1.69 43.56
22 23 9 529 81 207 8.9 0.01 0.16
23 24 13 576 169 312 10.35 7.0225 12.96
24 23 11 529 121 253 8.9 4.41 2.56
25 22 7 484 49 154 7.45 0.2025 5.76
26 21 5 441 25 105 6 1 19.36
27 26 12 676 144 312 13.25 1.5625 6.76
28 25 11 625 121 275 11.8 0.64 2.56
29 26 13 676 169 338 13.25 0.0625 12.96
30 27 14 729 196 378 14.7 0.49 21.16
Total (Σ) 699 282 16487 3112 6861 280.05 40.2975 461.2

Se 
 (Y  Yˆ ) 2

nk

Se =

= 14,39

5.3 Koefisien Determinasi

Koefisien determinasi (coefficient of determination /R-squared) adalah ukuran

yang menunjukkan berapa banyak variasi dalam data dapat dijelaskan oleh modelregresi yang
dibangun. Koefisien determinasi pada regresi linear sering diartikan sebagai seberapa besar

Teknik Proyeksi Bisnis | DESTI DIRNAENI., SE, MM

 Teknik Regresi dan Korelasi 27

kemampuan semua variabel bebas dalam menjelaskan varians dari variabel terikatnya. Secara
sederhana koefisien determinasi dihitung dengan mengkuadratkan Koefisien Korelasi (R).
Sebagai contoh, jika nilai R adalah sebesar 0,80 maka koefisien determinasi (R Square) adalah
sebesar 0,80 x 0,80 = 0,64. Berarti kemampuan variabel bebas dalam menjelaskan varians dari
variabel terikatnya adalah sebesar 64,0%. Berarti terdapat 36% (100% - 64%) varians variabel
terikat yang dijelaskan oleh faktor lain. Berdasarkan interpretasi tersebut, maka tampak bahwa
nilai R Square adalah antara 0 sampai dengan 1.
Penggunakan R Square (R Kuadrat) sering menimbulkan permasalahan, yaitu bahwa
nilainya akan selalu meningkat dengan adanya penambahan variabel bebas dalam suatu model.
Hal ini akan menimbulkan bias, karena jika ingin memperoleh model dengan R tinggi, seorang
penelitian dapat dengan sembarangan menambahkan variabel bebas dan nilai R akan meningkat,
tidak tergantung apakah variabel bebas tambahan itu berhubungan dengan variabel terikat atau
tidak.
Oleh karena itu, banyak peneliti yang menyarankan untuk
menggunakan Adjusted R Square. Interpretasinya sama dengan R Square, akan tetapi
nilai Adjusted R Square dapat naik atau turun dengan adanya penambahan variabel baru,
tergantung dari korelasi antara variabel bebas tambahan tersebut dengan variabel terikatnya.
Nilai Adjusted R Square dapat bernilai negatif, sehingga jika nilainya negatif, maka nilai tersebut
dianggap 0, atau variabel bebas sama sekali tidak mampu menjelaskan varians dari variabel
terikatnya.

R 2
 1
 (Y  Yˆ ) 2

Rumus Koefisien Determinasi :

 (Y  Y ) 2

P(1  R 2 )
Rumus Koefesien Determinasi Disesuaikan (adjusted) : Radj  R 2 
N  P 1

5.4 Koefisien Korelasi

Koefisien korelasi adalah nilai yang menunjukan kuat/tidaknya hubungan linier antar dua
variabel. Koefisien korelasi biasa dilambangkan dengan huruf r dimana nilai r dapat bervariasi
dari -1 sampai +1. Nilai r yang mendekati -1 atau +1 menunjukan hubungan yang kuat antara dua
variabel tersebut dan nilai r yang mendekati 0 mengindikasikan lemahnya hubungan antara dua
variabel tersebut. Sedangkan tanda + (positif) dan – (negatif) memberikan informasi mengenai
Teknik Proyeksi Bisnis | DESTI DIRNAENI., SE, MM
 Teknik Regresi dan Korelasi 28

arah hubungan antara dua variabel tersebut. Jika bernilai + (positif) maka kedua variabel tersebut
memiliki hubungan yang searah. Dalam arti lain peningkatan X akan bersamaan dengan
peningkatan Y dan begitu juga sebaliknya. Jika bernilai – (negatif) artinya korelasi antara kedua
variabel tersebut bersifat berlawanan. Peningkatan nilai X akan dibarengi dengan penurunan Y.
Koefisien korelasi pearson atau Product Moment Coefficient of Correlation adalah nilai
yang menunjukan keeratan hubungan linier dua variabel dengan skala data interval atau rasio.
Rumus yang digunakan adalah :

Koefisien korelasi rangking Spearman atau Spearman rank correlation

coeficientmerupakan nilai yang menunjukan keeratan hubungan linier antara dua variabel dengan
skala data ordinal. Koefisien Spearman biasa dilambangkan dengan . Rumusnya yang digunakan
adalah

Diketahui :

di = selisih dari pasangan ke-i atau Xi – Yi ;

n = banyaknya pasangan rank

Jika variabel X dan Y independen maka nilai r = 0, akan tetapi jika nilai r=0, X dan Y
tidak selalu independen. Variabel X dan Y hanya tidak berasosiasi.

Perlu diketahui bahwa hasil dari koefisien koefisien korelasi hanya bisa digunakan
sebagai indikasi awal dalam analisa. Nilai dari koefisien korelasi tidak dapat menggambarkan
hubungan sebab akibat antara variabel X dan Y. Untuk sampai pada adanya hubungnan sebab
dan akibat diperlukan penelitian yang lebih intensif atau dapat didasarkan pada teori yang ada
dimana X mempengaruhi Y atau Y yang mempengaruhi X.

Teknik Proyeksi Bisnis | DESTI DIRNAENI., SE, MM

 Teknik Regresi dan Korelasi 29

Selain itu, dalam menganalisa hubungan antara X dan Y, tentunya harus didasarkan
adanya hubungan yang logis antara kedua variabel tersebut. Kita tidak bisa sembarangan
mengukur koefisien korelasi antara dua variabel. Misalnya, variabel Y merupakan data
mengenai banyaknya angka kecelakan yang terjadi di Jakarta pada tahun 2013 dan variabel X
adalah jumlah kasus pencurian di Jakarta pada tahun 2013. Kemudian dihitung koefisien korelasi
antara variabel X dan Y, diperoleh hubunganya yang kuat antara kedua variabel tersebut. Disini
nilai koefisien korelasi yang didapat tentunya tidak akan memiliki makna meskipun didapat nilai
korelasi yang kuat karena secara logis tingkat kecelakaan tidak memiliki hubungan dengan
tingkat pencurian yang ada.

Teknik Proyeksi Bisnis | DESTI DIRNAENI., SE, MM