MODUL

Regresi dan Korelasi

12
Sederhana
 TUJUAN INSTRUKSIONAL
UMUM

• Setelah mempelajari materi ini mahasiswa dapat memahami

tentang definisi regresi linear dan menentukan persamaan
regresi linear sederhana.
• Setelah mempelajari materi ini mahasiswa dapat memahami
tentang definisi korelasi dan menentukan nilai korelasi antar
variabel.

TUJUAN INSTRUKSIONAL KHUSUS

1. Mahasiswa mampu memahami dan menentukan persamaan

regresi linear sederhana dari suatu data serta mampu
menerapkannya dalam kehidupan sehari-hari
2. Mahasiswa mampu menghitung koefisien regresi linear
sederhana
3. Mahasiswa mampu menguji linearitas dan keberartian regresi
linear sederhana
4. Mahasiswa mampu memahami analisis korelasi serta mampu
menerapkannya dalam kehidupan sehari-hari
5. Mahasiswa mampu menghitung koefisien korelasi
6. Mahasiswa mampu menguji keberartian koefisien korelasi

194 | S t a t i s t i k a
A. ANALISIS REGRESI SEDERHANA
Regresi adalah suatu metode statistika yang berguna untuk
memeriksa atau memodelkan hubungan diantara variabel-variabel.
Variabel-variabel tersebut dengan menggunakan analisis regresi
dapat melihat adanya pengaruh suatu karakteristik terhadap data
lain. Dengan kata lain jika kita mempunyai dua atau lebih variabel
maka kita dapat mencari suatu cara bagaimana variabel-variabel
itu berhubungan. Dan hubungan tersebut secara matematika
dinyatakan sebagai hubungan fungsional antara variabel-variabel.
Regresi pertama kali dipergunakan sebagai konsep statistika
oleh Sir Farncis Galton (1822-1911). Beliau memperkenalkan
model peramalan, penaksiran, atau pendugaan, yang selanjutnya
dinamakan regresi, sehubungan dengan penelitiannya terhadap
tinggi badan manusia. Galton melakukan suatu penelitian di mana
penelitian tersebut membandingkan antara tinggi anak laki-laki dan
tinggi badan ayahnya. Galton menunjukkan bahwa tinggi badan
anak laki-laki dari ayah yang tinggi setelah beberapa generasi
cenderung mundur (regressed) mendekati nilai tengah populasi.
Dengan kata lain, anak laki-laki dari ayah yang badannya sangat
tinggi cenderung lebih pendek daripada ayahnya, sedangkan anak
laki-laki dari ayah yang badannya sangat pendek cenderung lebih
tinggi dari ayahnya, jadi seolah-olah semua anak laki-laki yang
tinggi dan anak laki-laki yang pendek bergerak menuju kerata-rata
tinggi dari seluruh anak laki-laki yang menurut istilah Galton disebut
dengan “regression to mediocrity”. Dari uraian tersebut dapat
disimpukan bahwa pada umumnya tinggi anak mengikuti tinggi
orang tuanya.
Istilah “regresi” pada mulanya bertujuan untuk membuat
perkiraan nilai satu variabel (tinggi badan anak) terhadap suatu
variabel yang lain (tinggi badan orangtua). Pada perkembangan
selanjutnya analisis regresi dapat digunakan sebagai alat untuk
membuat perkiraan nilai suatu variabel dengan menggunakan
beberapa variabel lain yang berhubungan dengan variabel
tersebut.
Jadi prinsip dasar yang harus dipenuhi dalam membangun
suatu persamaan regresi adalah bahwa antara suatu variabel tidak

M o d u l 1 2 - R e g r e s i d a n K o r e l a s i S e d e r h a n a | 195
 bebas (dependent variabel) dengan variabel-variabel bebas
(independent variabel) lainnya memiliki sifat hubungan sebab
akibat (hubungan kausal), baik didasarkan pada teori, hasil
penelitian sebelumnya, maupun yang didasarkan pada penjelasan
logis tertentu.

B. PERSAMAAN REGRESI LINIER SEDERHANA

Persamaan regresi linier sederhana merupakan suatu model
persamaan yang menggambarkan hubungan satu variabel
bebas/predictor (X) dengan satu variabel tak bebas/response (Y),
yang biasanya digambarkan dengan garis lurus, seperti disajikan
pada Gambar 12.1 berikut:

Gambar 12.1 Ilustrasi Garis Regresi Linier

Persamaan regresi linier sederhana secara matematik

diekspresikan oleh:

𝑌 = 𝑎 + 𝑏𝑋

Dimana:
Y = garis regresi/variable response
a = konstanta (intercept), perpotongan dengan sumbu vertikal
b = konstanta regresi (slope)
X = variabel bebas/predictor

Besarnya konstanta a dan b dapat ditentukan menggunakan

persamaan:

196 | S t a t i s t i k a
 n  x i y i − ( x i )( y i )
b=
n  x i − ( x i )
2 2

a=
 Y − b X
n
Dimana n adalah banyaknya data

C. LANGKAH-LANGKAH ANALISIS DAN UJI REGRESI LINIER

SEDERHANA
Adapun langkah-langkah yang perlu dilakukan untuk
melakukan analisis dan uji regresi linier sederhana adalah sebagai
berikut:
1) Menentukan tujuan dari Analisis Regresi Linear Sederhana
2) Mengidentifikasi variabel predictor dan variabel response
3) Melakukan pengumpulan data dalam bentuk tabel
4) Menghitung X², XY dan total dari masing-masingnya
5) Menghitung a dan b menggunakan rumus yang telah ditentukan
6) Membuat model Persamaan Garis Regresi
7) Melakukan prediksi terhadap variabel predictor atau response
8) Uji signifikansi menggunakan Uji-t dan menentukan Taraf
Signifikan
Untuk memberikan pemahaman yang lebih jelas mengenai regresi
linier sederhana, dalam kegiatan belajar ini diberikan suatu contoh
kasus, yaitu:

Contoh:
Suatu data penelitian tentang berat badan 10 mahasiswa yang
diprediksi dipengaruhi oleh konsumsi jumlah kalori/hari. Adapun
datanya disajikan pada tabel berikut di bawah ini:

M o d u l 1 2 - R e g r e s i d a n K o r e l a s i S e d e r h a n a | 197
 Berat
Kalori
No Nama Badan
(X)
(Y)
1 Dian 530 89
2 Echa 300 48
3 Winda 358 56
4 Kelo 510 72
5 Intan 302 54
6 Putu 300 42
7 Aditya 387 60
8 Anita 527 85
9 Sefia 415 63
10 Rosa 512 74
Tentukanlah persamaan regresinya?

Jawab:
Untuk menganalisis kasus ini, hal-hal dilakukan adalah:
1) Tujuan: apakah konsumsi jumlah kalori/hari mempengaruhi
berat badan mahasiswa.
2) Variabel: X (variable bebas/predictor) = jumlah kalori/hari
Y (variable tak bebas/response) = berat badan
3) Tabel bantu untuk perhitungan

X Y XY X2 Y2
530 89 47170 280900 7921
300 48 14400 90000 2304
358 56 20048 128164 3136
510 72 36720 260100 5184
302 54 16308 91204 2916
300 42 12600 90000 1764
387 60 23220 149769 3600
527 85 44795 277729 7225
415 63 26145 172225 3969
512 74 37888 262144 5476
∑X ∑Y ∑XY ∑X2 ∑Y2
4141 643 279294 1802235 43495

198 | S t a t i s t i k a
4) Menghitung Nilai a dan b
Koefisien regresi b ditentukan dengan menggunakan rumus
yang telah diberikan, yaitu:

𝑛 ∑ 𝑥𝑖 𝑦𝑖 −(∑ 𝑥𝑖 )(𝑦𝑖 )
𝑏= 𝑛 ∑ 𝑥𝑖 2 −(∑ 𝑥𝑖 )2
10. (279294) − (4141)(643)
𝑏=
10. (1802235) − (4141)2

130227
𝑏= = 0,149
874469

Konstanta a ditentukan ditentukan menggunakan rumus:

∑ 𝑌−𝑏 ∑ 𝑋
𝑎= 𝑛

643−0,149(4141)
𝑎= 10
25,991
𝑎= = 2,5991
10

5) Model Persamaan regresinya

𝑌 = 𝑎 + 𝑏𝑋

𝑌 = 2,5991 + 0,149𝑋

6) Melakukan prediksi terhadap predictor dan response

Dari persamaan regresi di atas dapat digunakan untuk
memprediksi atau meramalkan seperti contoh berikut:

Contoh:
Jika seseorang mengkonsumsi kalori/perhari sebanyak 450
kira-kira berapakah berat badannya?

M o d u l 1 2 - R e g r e s i d a n K o r e l a s i S e d e r h a n a | 199
 Jawab:
Dengan mengunakan persamaan regresi

𝑌 = 2,5991 + 0,149𝑋

Maka, akan diperoleh berat badan

𝑌 = 2,5991 + 0,149𝑋
𝑌 = 2,5991 + 0,149(450)
𝑌 = 2,5991 + 67,05 = 69,64

Jadi jika seseorang mengkonsumsi 450 kalori/hari kira-kira

berat badannya adalah 69,64 kg.

Atau bisa juga memprediksi predictor seperti contoh berikut:

Contoh:
Jika seseorang memiliki berat badan 70 kg, kira-kira berapa
kalori yang dikonsumsi perhari?

Jawab:
Dengan mengunakan persamaan regresi

𝑌 = 2,5991 + 0,149𝑋

Maka, akan diperoleh berat badan

70 = 2,5991 + 0,149𝑋
70 − 2,5991 = 0,149(𝑋)
67,009 = 0,149𝑋
67,4009
𝑋= = 452,355
0,149

Jadi jika seseorang memiliki berat 70kg maka, diprediksi jumlah

kalori/hari yang dikonsumsi adalah 452,355.

200 | S t a t i s t i k a
D. ANALSIS KORELASI
Korelasi merupakan angka yang menunjukkan arah dan
kuatnya hubungan antara dua variabel atau lebih. Artinya arah
hubungan dinyatakan dalam bentuk hubungan positif atau negatif,
sedangkan kuatnya hubungan dinyatakan dalam besarnya
koefisien korelasi. Terdapat tiga macam bentuk hubungan antar
variabel, yaitu hubungan simetris, hubungan sebab akibat (kausal)
dan hubungan Interaktif (saling mempengaruhi). Untuk mencari
hubungan antara dua variabel atau lebih dilakukan dengan
menghitung korelasi antar variabel yang akan dicari hubungannya.
Hubungan dua variabel atau lebih dinyatakan positif, bila nilai
satu variable ditingkatkan, maka akan meningkatkan variabel yang
lain, dan sebaliknya bila nilai satu variabel diturunkan maka akan
menurunkan variabel yang lain. Sebagai contoh, ada hubungan
positif antara tinggi badan dengan kecepatan lari, hal ini berarti
semakin tinggi badan orang maka akan semakin cepat larinya, dan
semakin pendek orang maka akan semakin lambat larinya.
Hubungan dua variabel atau lebih dinyatakan negatif, bila
nilai satu variable dinaikkan maka akan menurunkan nilai variabel
yang lain, dan juga sebaliknya bila nilai satu variabel diturunkan,
maka akan menaikkan nilai variabel yang lain. Contoh, misalnya
ada hubungan negatif antara curah hujan dengan es yang terjual.
Hal ini berarti semakin tinggi curah hujan, maka akan semakin
sedikit es yang terjual, dan semakin sedikit curah hujan, maka akan
semakin banyak es yang terjual. Kuatnya hubungan antara variabel
dinyatakan dalam koefisien korelasi.
Koefisien korelasi positif terbesar = 1 dan koefisien korelasi
negatif terbesar adalah -1, sedangkan yang terkecil adalah 0. Bila
besarnya antara dua variabel atau lebih itu mempunyai koefisien
korelasi = 1 atau -1, maka hubungan tersebut sempurna. Dalam arti
kejadian-kejadian pada variabel yang satu akan dapat dijelaskan
atau diprediksikan oleh variabel yang lain tanpa terjadi kesalahan
(error). Makin kecil koefisien korelasi, maka akan semakin besar
error untuk membuat prediksi. Sebagai contoh, bila hubungan

M o d u l 1 2 - R e g r e s i d a n K o r e l a s i S e d e r h a n a | 201
 bunyinya burung Prenjak mempunyai koefisien korelasi sebesar 1,
maka dapat diramalkan setiap ada bunyi burung Prenjak maka
dipastikan akan ada tamu. Tetapi kalau koefisien korelasinya
kurang dari satu, setiap ada bunyi burung Prenjak belum tentu ada
tamu, apa lagi koefisien korelasinya mendekati 0.
Terdapat bermacam-macam teknik Statistik Korelasi yang
dapat digunakan untuk menguji hipotesis asosiatif. Teknik korelasi
mana yang akan dipakai tergantung pada jenis daa yang akan
dianalisis. Berikut ini dikemukakan berbagai teknik statistik korelasi
yang digunakan untuk menguji hipotesis asosiatif. Untuk data
nominal dan ordinal digunakan statistik Non-parametris dan untuk
data interval dan ratio digunakan statistik Parametris. Untuk lebih
jelas dapat dlihat pada tabel di bawah ini:
Tabel 12.1 Macam-macam korelasi berdasarkan tingkatan
data

Dalam bahan pebelajaran ini, korelasi yang akan dibahas

adalah korelasi Product Moment atau disebut juga korelasi
pearson.

E. Korelasi Product Moment

Teknik korelasi ini digunakan untuk mencari hubungan dan
membuktikan hipotesis hubungan dua variabel bila data kedua
variabel berbentuk interval atau ratio, dan sumber data dari dua
variabel atau lebih adalah sama.
Berikut ini dikemukakan rumus yang paling sederhana yang
dapat digunakan untuk menghitung koefisien korelasi:

202 | S t a t i s t i k a
 𝑛 ∑ 𝑥𝑦 − (∑ 𝑥 )(∑ 𝑦)
𝑟=
√[𝑛 ∑ 𝑥 2 − (∑ 𝑥 )2 ][𝑛 ∑ 𝑦 2 − (∑ 𝑦)2 ]

Dimana r = koefisien korelasi

Menurut Sugiyono (2000:149) untuk memberikan gambaran derajat

hubungan dapat dilihat pada tabel di bawah ini.
Tabel 12. Pedoman Interprestasi koefisien korelasi

Contoh:
Dilakukan penelitian untuk mengetahui ada tidaknya hubungan
antara pendapatan dan pengeluaran. Untuk keperluan tersebut,
maka telah dilakukan pengumpulan data terhadap 10 responden
yang diambil secara random. Berdasarkan 10 responden tersebut
diperoleh data tentang pendapatan (X) dan pengeluaran (Y),
sebagai berikut :
X = 800 900 700 600 700 800 900 600 500 500 / bulan
Y = 300 300 200 200 200 200 300 100 100 100 / bulan
Berdasarkan data di atas tentukanlah nilai koefisien korelasinya,
serta ujilah apakah korelasi yang ada signifikan pada taraf α=0.05?

Jawab:
Untuk perhitungan koefisien korelasi, maka data pendapatan dan
pengeluaran perlu dimasukkan ke dalam tabel bantu seperti di
bawah ini:

M o d u l 1 2 - R e g r e s i d a n K o r e l a s i S e d e r h a n a | 203
 X Y XY X^2 Y^2
800 300 240000 640000 90000
900 300 270000 810000 90000
700 200 140000 490000 40000
600 200 120000 360000 40000
700 200 140000 490000 40000
800 200 160000 640000 40000
900 300 270000 810000 90000
600 100 60000 360000 10000
500 100 50000 250000 10000
500 100 50000 250000 10000
7000 2000 1500000 5100000 460000

Selanjutnya nilai yang diperoleh pada tabel bantu dapat dipakai

untuk mencari nilai koefisien korelasi seperti di bawah ini:
𝑛 ∑ 𝑥𝑦 − (∑ 𝑥 )(∑ 𝑦)
𝑟=
√[𝑛 ∑ 𝑥 2 − (∑ 𝑥 )2 ][𝑛 ∑ 𝑦 2 − (∑ 𝑦)2 ]

10. (1500000) − (7000). (2000)

𝑟=
√[10. (5100000) − (7000)2 ][10. (460000) − (2000)2 ]

1000000
𝑟=
√[2000000][600000]

1000000
𝑟= = 0,9128
1095445,1

Jadi koefisien korelasinya adalah 0,9128. Jika dikonfirmasi pada

tabel pedoman koefisien korelasi, nilai 0,9128 termasuk pada
kategori sangat kuat. Artinya hubungan antara pendapatan dan
pengeluaran termasuk kategori sangat kuat.

Apakah koefisien korelasi hasil perhitungan tersebut signifikan

(dapat digeneralisasi) atau tidak, maka perlu dibandingkan dengan
r tabel, dengan taraf kesalahan α=0,05. Dengan hipotesis sebagai
berikut:

204 | S t a t i s t i k a
Ho: tidak ada hubungan antara pendapatan dan pengeluaran (ρ=0)
Ha: terdapat hubungan antara pendapatan dan pengeluaran (ρ≠0)

Nilai r tabel untuk taraf kesalahan 5%, (taraf kepercayaan 95%) dan
N = 10, maka harga r tabel = 0,632. Ternyata jika dibandingkan nilai
r hitung lebih besar dari harga r tabel, sehingga Ho ditolak dan Ha
diterima. Jadi kesimpulannya ada hubungan positif dan signifikan
antara pendapatan dan pengeluaran sebesar 0,9128.

RANGKUMAN
Regresi adalah suatu metode statistika yang berguna untuk
memeriksa atau memodelkan hubungan diantara variabel-variabel.
Persamaan regresi linier sederhana secara matematik
diekspresikan oleh:

𝑌 = 𝑎 + 𝑏𝑋

Dimana:
Y = garis regresi/variable response
a = konstanta (intercept), perpotongan dengan sumbu vertikal
b = konstanta regresi (slope)
X = variabel bebas/predictor

Korelasi merupakan angka yang menunjukkan arah dan kuatnya

hubungan antara dua variabel atau lebih. Artinya arah hubungan
dinyatakan dalam bentuk hubungan positif atau negatif, sedangkan
kuatnya hubungan dinyatakan dalam besarnya koefisien korelasi.

M o d u l 1 2 - R e g r e s i d a n K o r e l a s i S e d e r h a n a | 205
 DAFTAR PUSTAKA

Hasal, M. Iqbal, 2003. Pokok-pokok Materi Statistik 1 (Statistik

Deskriptif). Jakarta: Bumi Aksara

Ledolter. J, Hogg, Robert V, 2010, “Applied Statistics fot Engineers

and Physical Scientists”, Pearson Prentice Hall.

Mason, R.D & Douglas A. Lind. 1996. Teknik statistik bisnis dan
ekonomi. Jakarta: Erlangga.

Usman, H. 2000. Pengantar statistika. Bandung: Bumi aksara.

Walpole, Ronald E., et all, 2007, “Probability & Statistics for

Engineers & Scientists”, Prentice Hall.

206 | S t a t i s t i k a
LATIHAN SOAL

Pilihlah salah satu jawaban berikut ini dengan cara memberikan tanda
silang (X) pada salah satu huruf a, b, c, d atau e yang dianggap paling
tepat.
1. Penelitian dengan judul “hubungan minat dengan prestasi belajar
siswa”. Tentukanlah persamaan regresi yang menunjukkan
hubungan antara minat dan prestasi belajar tersebut dan uji apakah
persamaan regresi yang terbentuk linear dan dapat digunakan
sebagai alat prediksi. Data hasil penelitiannya adalah sebagai
berikut:
X Y
50 82
55 79
60 82
60 84
60 87
60 87
65 89
65 89
65 89
65 89
65 89
65 89
65 89
65 84
65 89
70 89
70 89
70 89
70 92
70 92
70 92
73 92
73 97
73 92
80 100
82 97

M o d u l 1 2 - R e g r e s i d a n K o r e l a s i S e d e r h a n a | 207
2. Dilakukan penelitian terhadap siswa SMA, dengan judul penelitian
adalah ‘hubungan Minat dengan hasil belajar siswa’. Sampel
diambil dengan teknik pengambilan sampel random dari seluruh
siswa dengan jumlah sampel sebanyak 71 orang. Dari hasil
penelitian diperoleh data sebagai berikut:
Minat belajar siswa Hasil belajar siswa
81 65 101 78 100 93 90 100 92 110 124 107 125 94
102 80 109 84 109 85 88 133 99 116 115 111 105 103
91 91 111 91 88 93 97 117 116 118 96 101 125 121
94 99 111 72 98 92 94 123 102 116 97 121 110 91
99 102 87 96 105 98 92 117 112 105 109 109 106 85
104 93 91 84 96 102 76 125 101 104 108 106 95 94
74 81 71 82 111 81 95 96 114 99 109 110 93 96
89 91 88 91 111 105 94 106 115 111 112 115 113 90
86 76 99 96 91 108 107 111 96 96 114 99 113 114
74 96 105 101 88 86 92 97 117 113 124 100 116 119
88 116

apakah terdapat hubungan antara minat belajar siswa sebagai

variabel X dengan hasil belajar sebagai variabel Y?

208 | S t a t i s t i k a
UMPAN BALIK DAN TINDAK LANJUT
Cocokkanlah jawaban Anda dengan kunci jawaban Tes yang terdapat
pada laman latihan elearning. Berapa tingkat penguasaan Anda
terhadap Bab 5.
Kriteria tingkat penguasaan:
90 – 100 % = Baik Sekali
80 – 89 % = Baik
70 – 79 % = Cukup
< 69 % = Kurang
Jika tingkat penguasaan Anda 80% atau lebih, berarti Anda berhasil.
Untuk itu, Anda dapat meneruskan ke Modul 13. Jika masih di bawah
80%, Anda harus mengulang Modul 12, terutama bagian yang belum
dikuasai.

M o d u l 1 2 - R e g r e s i d a n K o r e l a s i S e d e r h a n a | 209
210 | S t a t i s t i k a