KORELASI DAN REGRESI

Nama: Ermida
NIM/Kelas: 1930002/5A_UPP

1. Kolerasi
Analisis korelasi berkaitan erat dengan regresi, tetapi secara konsep berbeda dengan
analisis regresi. Analisis korelasi adalah mengukur suatu tingkat atau kekuatan hubungan
linear antara dua variabel. Koefisien korelasi adalah mengukur kekuatan hubungan linear.
Sebagai contoh, kita tertarik untuk menemukan korelasi antara merokok dengan penyakit
kanker, berdasarkan penjelasan statistik dan matematika, pada anak sekolah dan mahasiswa.
Korelasi adalah salah satu metode analisis dalam statistik yang dapat digunakan untuk
mencari antara dua variabel dengan sifat kuantitatif. Secara sederhana korelasi ini bisa
diartikan sebagai hubungan. Statistik korelasi ialah metode atau cara guna mengetahui ada
atau tidaknya hubungan linier antar variabel. Jika pada nantinya ditemukan hubungan, maka
perubahan-perubahan yang terjadi pada salah satu variabel (X) akan menyebabkan terjadinya
perubahan pada variabel yang lain (Y). Hubungan antara dua variabel didalam teknik korelasi
bukanlah dalam arti hubungan sebab akibat (timbal balik), melainkan hanya merupakan
hubungan searah. Misalnya tinggi badan menyebabkan berat badan bertambah, tetapi berat
badan bertambah belum tentu menyebabkan tinggi badan bertambah pula.
Koefesien korelasi ialah pengukuran statistik kovarian atau asosiasi antara dua
variabel. Koefesien korelasi menunjukkan kekuatan (strength) hubungan linear dan arah
hubungan dua variabel acak. Simbol koefisien kolerasi adalah r xy (koefisien korelasi antara
variabel X dengan variabel Y). Nilai r xy berada pada kisaran -1 sampai +1. Secara sistematis
ditulis −1 ¿ r xy <1.
 Jika nilai r xy =0 maka dikatakan tidak punya hubungan antara variabel X dengan
variabel Y
 Jika r xy =1 maupun r xy =−1 dikatakan hubungan antara variabel X dengan variabel Y
hubungan sempurna
 Jika r xy positif mengandung makna variabel X naik maka akan diikuti variabel Y naik,
begitu juga sebaliknya. Yaitu jika variabel X turun maka diikuti pula variabel Y turun
 Jika nilai r xy negatif mengandung makna jika variabel X turun maka variabel Y naik
sebaliknya jika variabel X naik maka variabel Y turun.
Kriteria koefisien kolerasi :
 0 : Tidak ada korelasi antara dua variabel
 ¿ 0−0,25 : Korelasi sangat lemah
 ¿ 0,25−0,5 : Korelasi cukup
 ¿ 0,5−0,75 : Korelasi kuat
 ¿ 0,75−0,99 : Korelasi sangat kuat
 1 : Korelasi Sempurna
 Guna PPM (Pearson Product Moment)
(a) Untuk menyatakan ada tidaknya hubungan yang signifikan antara variabel yang satu
dengan yang lainnya
(b) Untuk menyatakan besar sumbangan variabel satu terhadap yang lainnya dinyatakan
dalam persen. Dengan demikian, maka r 2 x 100 % disebut koefisien determinasi atau
koefisien penentu. Hal ini menunjukkan r 2 x 100 % terjadi dalam variabel terikat Y
ditentukan oleh variabel X
Untuk menentukan besar hubungan antara variabel X dan variabel Y dinyatakan dengan
r xy (koefisien korelasi antara variabel X dan variabel Y) rumus Pearson Product
Moment yaitu :
n ∑ XY −∑ X ∑ Y
r xy =
2 2
√ n ∑ X −( ∑ X ) √ n ∑ Y −( ∑ Y )
2 2

Untuk mengetahui apakah signifikan atau tidak dari hubungan tersebut perlu
dilakukan pengujian signifikan koefisien kolerasi digunakan rumus distribusi yaitu :

r xy √ n−2
t= 2
Nilai t hitung ini dibandingkan dengan t tabel dengan derajat bebas
√ i−r xy

db
( )
v
=n−2 pada α tertentu baikα =0,05 maupun α =0,01

Koefisien Determinasi (membedakan) adalah suatu hubungan yang dinyatakan dalam

bentuk persentase mengenai sumbangan variabel X terhadap variabel Y. Koefisien
determinasi merupakan proporsi variabilitas dalam suatu data yang dihitung didasarkan pada
model statistik. Definisi berikutnya menyebutkan bahwa r 2merupakan rasio variabilitas nilai-
nilai yang dibuat model dengan variabilitas nilai data asli.Koefisien determinasi = r 2 x 100 %.
Nilai r terletak antara −1 ≤r =R ≤1.
r =R=1 : Hubungan positif sempurna
r =R=0 : Tidak mempunyai hubungan
r =R=−1 : hubungan negatif sempurna
(a) Korelasi Product Moment (r xy ¿
n ∑ XY −∑ X ∑ Y
Rumus : r xy = 2 2
√ n ∑ X −( ∑ X ) √ n ∑ Y −( ∑ Y )
2 2

CONTOH:
Penghitungan korelasi product moment menggunakan skor mentah diawali dengan membuat
tabel persiapan terlebih dahulu seperti tabel 3.1. Tabel persiapan memuat kolom-kolom yang
terdiri dari kolom nomor subyek, variabel tinggi badan (X), variabel tinggi lompatan (Y),
kuadrat varibel tinggi badan (X2), kuadrat variabel tinggi lompatan (Y2) dan hasil kali
variabel tinggi badan dan tinggi lompatan (XY).
Tabel 3.1. Tabel Persiapan Menghitung Korelasi Tinggi Badan dan Tinggi Lompatan

No. X Y X2 Y2 XY
1. 168 154 28822 23716 58872
2. 165 151 27225 22801 24915
3. 166 152 27556 23104 25232
4. 170 155 28900 24025 26350
5. 161 151 25921 22801 24311
6. 162 152 26244 23104 24624
7. 160 148 25600 21904 23680
8. 165 155 27225 24025 25575
9. 165 156 27225 24336 25740
10. 162 150 26244 22500 24300
Jumlah 1644 1524 270364 232316 250599

Menghitung koefisien korelasi:

10× 2505599−(1644)(1524)
rXY  √¿ ¿ ¿
= 0,735
Uji signifikansi dilakukan dengan membandingkan r hitung dengan r tabel sesuai dengan
derajad kebebasan N-1 dan taraf signifikansi yang telah ditetapkan. Uji signifikansi: r hitung
= 0,735 > r tabel 5% = 0,632. Karena r hitung lebih besar dari r tabel maka hipotesis nihil
yang menyatakan tidak ada hubungan antara tinggi badan dengan tinggi lompatan ditolak.
Dengan demikian kesimpulannya, ada hubungan yang signifikan antara variabel tinggi badan
dengan variabel tinggi lompatan (Budiwanto: 2014).

(b) Korelasi Pringkat Spearman (r s ¿

Rumus
6∑ d2
r s=1−
n( n−1)
(c) Korelasi Point Biserial (r p . bis ¿
Rumus
x −x
r p . bis= b q x b , x q=¿ rata-rata
Sx
(d) Korelasi Biserial (r bis ¿
(e) Korelasi Tetrachoric (r ccs− phi ¿
(f) Korelasi koefisien Phi (o ¿
(g) Korelasi koefisien kontingensi (c ¿
(h) Koefisien korelasi Jaccard ( Srs ¿
Korelasi Partial
Teknik analisis korelasi partial digunakan untuk menghitung kecenderungan hubungan antara
dua variabel yang dikontrol oleh variabel lain. Misalnya, penelitian ingin mengetahui korelasi
antara variabel tinggi badan dengan variabel berat badan yang dikontrol oleh variabel umur.
Kerangka berfikir yang mendasari penelitian ini adalah bahwa seorang anak yang bertambah
umur akan bertambah tinggi dan berat badannya. Mungkin korelasi tersebut disebabkan oleh
karena bertambahnya umur. Maka perlu dilihat korelasi variabel tinggi badan dan variabel
berat badan tersebut yang dikontrol oleh variabel umur (Budiwanto: 2014).
Rumus untuk menghitung korelasi partial adalah
r XY −(r XZ )(r YZ )
r XY .Z = 2
√(1−r XZ )(1−r 2YZ )

Keterangan:
r XY.Z = koefisien korelasi partial antara variabel X dan Y, dikontrol oleh Z
rXY = koefisien korelasi variabel X dan Y
rXZ = koefisien korelasi variabel X dan Z
rYZ = koefisien korelasi variabel Y dan Z

Uji signifikansi korelasi partial dilakukan menggunakan uji t. Uji signifikansi dilakukan
dengan membandingkan t hitung dengan t tabel pada taraf signifikansi yang telah ditetapkan.
Jika nilai t hitung lebih besar daripada nilai t tabel pada taraf signifikansi yang ditetapkan
berarti hubungan variabel X dan Y adalah signifikan maka hipotesis nihil ditolak. Jika
demikian maka korelasi antara variabel X dan Y tidak dipengaruhi oleh variabel Z. Nilai t
tabel dapat dilihat di lampiran pada bagian akhir buku ini.
Rumus untuk uji signifikansi adalah:
r XY .Z
t = 1−r 2XY .Z
√ N −3

Keterangan:
t = nilai t unutk uji signifikansi korelasi partial.
r XY.Z = koefisien korelasi partial variabel X, Y dan Z
N = banyaknya kasus
Korelasi Berganda
Teknik korelasi berganda (multiple correlation) digunakan untuk menghitung
kecenderungan hubungan antara satu variabel tergantung (variabel kriterion) dengan dua atau
lebih variabel bebas (variabel prediktor). Tingkat hubungan antara variabel tergantung
dengan beberapa variabel bebas dinyatakan dalam koefisien korelasi ganda dengan simbol R.
Koefisien korelasi berganda ditentukan oleh koefisien korelasi antar variabel bebas yang akan
dikorelasikan dengan variabel tergantung. Jika korelasi antar variabel bebas mempunyai
koefisien korelasi tinggi maka jika dikorelasikan secara bersama dengan variabel tergantung
maka cenderung akan diperoleh koefisien korelasi berganda yang rendah. Sebaliknya, jika
koefisien korelasi antar variabel bebas adalah rendah maka akan cenderung diperoleh
koefisien korelasi berganda yang tinggi.
Rumus korelasi berganda satu variabel tergantung dengan dua variabel bebas adalah:

RY . X 1 X 2 = r 2 X 1 Y + r 2X 2 Y −2 ( r X 1 Y )( r X 2 Y ) ¿ ¿ ¿
√
Keterangan:
rYX1 = koefisien korelasi variabel kriterion dengan variabel prediktor pertama
rYX2 = koefisien korelasi variabel kriterion dengan variabel prediktor kedua

Uji signifikansi korelasi berganda dilakukan menggunakan uji F, yaitu membandingkan

nilai F hitung dengan F tabel dengan derajad kebebasan K dan N  K  1 pada signifikansi
yang ditetapkan. K adalah jumlah variabel bebas, N adalah jumlah kasus.
Rumus uji F untuk uji signifikansi korelasi berganda adalah:

r 2Y . X 1 X 2
F= { 1−r 2
Y . X 1 X2
{} N−KK −! }
Keterangan:
F = nilai F hitung untuk uji
signifikansi korelasi berganda
rY.X1X2 = koefisien korelasi
berganda
N = banyaknya kasus
K = banyaknya variabel prediktor

KORELASI GANDA DOULITTLE

Teknik korelasi berganda dari Doulittle adalah salah satu teknik analisis korelasi ganda untuk
mengetahui kecenderungan hubungan antara satu variabel tergantung atau variabel kriterion
dengan beberapa variabel bebas (prediktor) secara bersama-sama (Guilford: 1956).
Rumus untuk memperoleh koefisien korelasi ganda adalah:

RY . X 1 X 1 X 1 … Xn= β .r 1 + β .r 2 + β .r 3 + ... β .rn

Keterangan:
RY . X 1 X 1 X 1 … Xn = koefisien korelasi ganda rangkaian tes
 = koefisien beta setiap variabel
r = koefisien korelasi variabel tergantung dengan variabel
bebas
2. Regresi
Regresi merupakan suatu alat ukur yang dapat digunakan untuk mengukur ada
atau tidaknya korelasi antarvariabel. Jika ada dua variabel atau lebih maka sudah
selayaknya dipelajari bagaimana variabelvariabel itu berhubungan atau dapat
diramalkan. Analisis regresi mempelajari hubungan yang diperoleh dinyatakan dalam
persamaan matematika yang menyatakan hubungan fungsional antara variabel-
variabel 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.
Hasil analisis regresi adalah berupa koefisien regresi untuk masing-masing
variable independent. Koefisien ini diperoleh dengan cara memprediksi nilai variable
dependen dengan suatu persamaan. Pada dasarnya model regresi linear yang terdiri
dari dua variabel dilambangkan dengan X dan Y. Variabel yang mempengaruhi disebut
variabel prediktor, dengan lambang X, sedangkan variabel yang dipengaruhi disebut
variabel kriterium dengan lambang Y. Adapun model persamaan regresi linear dua
variabel (Y= Variabel terikat, X= Variabel bebas) adalah :
Y t =a+ bX
Dimana :
Y : Variabel dependen (terikat)
X : Variabel independen (bebas)
a : Konstanta
b : Koefisien regresi
dengan
n ∑ XY −∑ X ∑ Y
b= 2
√ n ∑ X 2−( ∑ X )

Karena persamaan regresi linear Y t =a+ bX hanyalah sebuah model linear,

maka perlu dilakukan apakah memang data yang kita peroleh benar-benar linear.
Untuk itu kita perlu melakukan pengujian yang disebut uji linearitas regresi. Uji
linearitas regresi diperoleh persamaan :
2
(∑ Y ) ∑ X∑ Y
∑Y 2
=
n
+b {
∑ XY − n }
+ JK res

Contoh Regresi
Sebuah penelitian terhadap pohon Mahoni, dimana akan diteliti apakah ada hubungan
antara tinggi pohon dengan diameter batang pohon, dengan artian apakah ada pengaruh
diameter batang pohon terhadap tinggi pohon tersebut.
Diambil sampel secara acak sejumlah delapan pohon mahoni.Dapat dilihat dari Tabel 1
pada kolom X dan Y.
 Hal pertama yang akan kita lakukan adalah membentuk persamaan regresi, yaitu :
Y’ = a + bX
Selanjutnya adalah menentukan konstanta a dan koefisien b, kita ikuti langkah sebagai
berikut :

Persamaan regresi diperoleh :

Y’ = -1,3147 + 4,5413X
dimana :
Y’ = Tinggi pohon mahoni yang diprediksi
X = Diameter batang pohon mahoni
Interpretasi dari koefisien regresi :
 Nilai a = -1,3147 artinya tidak ada diameter batang pohon maka tidak ada tinggi
pohon. (karena tidak ada tinggi yang bernilai negatif sehingga dianggap nol).
 Nilai b = 4,5413 artinya jika terjadi peningkatan diameter batang pohon mahoni
satu satuan maka akan terjadi peningkatan tinggi pohon mahoni sebesar 4,5413
satuan.
Koefisien Determinasi R2
r = 0,886 bernilai positif dan kuat
artinya terdapat hubungan atau korelasi yang kuat antara tinggi pohon mahoni dengan
diameter batang pohon mahoni. Semakin besar diameter batang pohon mahoni maka semakin
tinggi batang pohon mahoni.
R2 = 0,8862 = 0,785
artinya sekitar 78,5% variasi dari variabel diameter batang pohon mahoni dapat menjelaskan
variasi dari variabel tinggi pohon mahoni.
(cukup tinggi)
Standar Error Estimate Persamaan Regresi:

Jadi besarnya standar error estimate persamaan regresi adalah 6,6364. Hal ini menunjukkan
penyimpangan data-data terhadap garis regresi, atau bagaimana penyimpangan data yang
menyebar disekitar garis regresi.
(cukup kecil).
Pengujian Koefisien Regresi :
> Hipotesis Uji
Ho : b = 0
Ha : b ≠ 0
> Taraf Signifikansi
Pilih nilai signifikansi a = 5%
> Daerah Kritis
dengan nilai a = 5% dan derajat bebas n-2=8–2=6, maka diperoleh nilai t-tabel pada 5%/2 =
2,5% yaitu 2,447.
> Statistik Uji