BAB 8

Analisis Korelasi dan Regresi

8.1 Analisis Korelasi
8.2 Analisis Regresi Sederhana
8.1 Analisis Korelasi
a. Definisi

Analisis korelasi merupakan metode yang digunakan untuk mengetahui ada atau tidaknya
hubungan linier, antara variabel terikat dengan variabel bebas. Jika dalam pengaplikasian
metode tersebut ditemukan pengaruh, maka perubahan yang terjadi pada variabel x akan
mengakibatkan adanya perubahan juga pada variabel y atau variabel lainnya.

Analisis yang digunakan untuk memperoleh keterangan mengenai keeratan hubungan

antara variabel x dan y.

Nilai Koefisien Korelasi terletak antara -1  r  +1

b. Tingkat Keeratan Hubungan
Tidak terjadi harga r = -1 atau r = +1 (tidak ada hubungan yang sempurna), tetapi. yang biasa
diperoleh adalah:
 0 → -1: Semakin menjauh dari nol dan mendekati -1, hubungan semakin erat dalam
pengertian hubungan negatif.
 0 → +1: Semakin menjauh dari nol dan mendekati +1, hubungan semakin erat dalam
pengertian hubungan positif.

c. Menghitung Koefisien Regresi

d. Koefisien Diterminasi (r2)

Koefisien determinasi adalah salah satu alat analisis untuk mengetahui lebih jauh hubungan antar
variabel, disimbolkan dalam r2 yang menyatakan proporsi variasi total variabel dependen (y) yang
dijelaskan oleh hubungan linier variabel independen (x).

Nilainya  0  r2  1.
Nilainya biasanya dinyatakan dengan persen, sedangkan penafsirannya misalnya jika
r = 0.994 sehingga r2 = 0.989 atau 98.9% adalah pengaruh variabel bebas (x) terhadap perubahan
variabel terikat (y) sebesar 98.9%, sedangkan sisanya sebesar 1.1% dipengaruhi oleh variabel lain
selain variabel bebas X.

e. Jenis-Jenis Korelasi
 Korelasi Sederhana
Korelasi sederhana adalah suatu teknik statistik yang berfungsi untuk sebagai pengukur kekuatan
hubungan dua variabel. Dengan korelasi jenis ini, Anda dapat mengetahui bentuk hubungan kedua
variabel. Hasil yang diperoleh adalah hasil yang bersifat kuantitatif atau numeric.

 Korelasi Parsial
Korelasi parsial merupakan salah satu jenis korelasi yang digunakan sebagai metode pengukuran
tentang keeratan suatu hubungan antara variabel bebas dan variabel terikat. Hal itu dilakukan dengan
cara mengontrol salah satu variabel.

Hal tersebut juga dilakukan untuk mengetahui korelasi natural pada variabel-variabel yang tidak
terkontrol, sedangkan data yang dipergunakan pada korelasi parsial biasanya adalah data skala
interval atau rasio.

 Korelasi Ganda
Korelasi ganda merupakan jenis korelasi yang berfungsi untuk mengukur tingkat hubungan pada
variabel. Namun, variabel tersebut berjumlah tiga bahkan bisa lebih. Variabel yang dimaksud dalam
penjelasan tersebut adalah variabel independen dengan jumlah dua dan variabel dependen dengan
jumlah satu.

Korelasi ganda juga merupakan suatu nilai yang memberikan pengetahuan tentang kekuatan dari
pengaruh atau hubungan dari dua variabel atau lebih. Hal tersebut dapat diketahui dengan pengukuran
yang dilakukan secara bersamaan pada semua variabel.

Contoh :
8.2 Analisis Regresi Sederhana
a. Definisi
Korelasi dan regresi keduanya mempunyai hubungan yang sangat erat. Setiap regresi pasti ada
korelasinya, tetapi korelasi belum tentu dilanjutkan dengan regresi. Korelasi yang tidak dilanjutkan
dengan regresi, adalah korelasi antara dua variabel yang tidak mempunyai hubungan kasual/sebab
akibat, atau hubungan fungsional. Untuk menetapkan kedua variabel mempunyai hubungan kausal
atau tidak, maka harus didasarkan pada teori atau konsep-konsep tentang dua variabel tersebut

Regresi adalah suatu metode analisis statistik yang digunakan untuk melihat pengaruh antara dua atau
lebih banyak variabel.

Hubungan variabel tersebut bersifat fungsional yang diwujudkan dalam suatu model matematis. Pada
analisis regresi, variabel dibedakan menjadi dua bagian, yaitu :

 variabel respons (response variable) atau biasa juga disebut variabel bergantung (dependent
variable),

 variabel explanatory atau biasa disebut penduga (predictor variable) atau disebut juga

variabel bebas (independent variable).

Regresi terbagi menjadi beberapa jenis, yaitu

1. regresi sederhana (linier sederhana dan nonlinier sederhana)

2. regresi berganda (linier berganda atau nonlinier berganda).

Karena memiliki banyak manfaat, analisis regresi digunakan hampir pada semua bidang kehidupan,
baik dalam bidang ekonomi, industri dan ketenagakerjaan, sejarah, pemerintahan, ilmu lingkungan,
dan lain sebagainya.

Kegunaan analisis regresi adalah untuk mengetahui variabel-variabel kunci yang memiliki pengaruh
terhadap suatu variabel bergantung, pemodelan, serta pendugaan (estimation) atau peramalan
(forecasting). Selain itu, masih ada beberapa kegunaan lainnya, yakni:

1. Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada nilai
variabel bebas.
2. Untuk menguji hipotesis karakteristik dependensi.
3. Meramalkan nilai rata-rata variabel bebas yang didasari nilai variabel bebas diluar jangkauan
sample.

b. Persamaan Regresi Linier Sederhana

Regresi sederhana didasarkan pada hubungan fungsional ataupun kausal antara satu variabel
independen dengan satu variabel dependen.
Secara matematis model analisis regresi linier sederhana dapat digambarkan sebagai berikut:

Y = a + bX + e

Y adalah variabel dependen atau respon

a adalah intercept atau konstanta
b adalah koefisien regresi atau slope
e adalah residual atau error
Contoh
Seorang Engineer ingin mempelajari Hubungan antara Suhu Ruangan dengan Jumlah Cacat Produksi
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.
Varibel Faktor Penyebab (X) : Suhu Ruangan,
Variabel Akibat (Y) : Jumlah Cacat Produksi
Rata-rata Suhu Jumlah Cacat
NO X2 Y2 XY
Ruangan (X) (Y)
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
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
 Rata-rata Suhu Jumlah Cacat
NO X2 Y2 XY
Ruangan (X) (Y)
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
Jumlah 699 282 16487 3112 6861

n = 30 ∑ x i=699 ∑ x 2❑=16487 ∑ yi =282 ∑ y2❑=3112 ∑ xy =6861

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

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

Y = -24.38+1.45X

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