NAMA :
x2 = 5,47
Korelasi adalah istilah statistik yang menyatakan derajat hubungan linier (searah
bukan timbal balik) antara dua variabel atau lebih.
Asumsi
Data berdistribusi Normal
Variabel yang dihubungkan mempunyai data linear.
Variabel yang dihubungkan mempunyai data yang dipilih secara acak.
Variabel yang dihubungkan mempunyai pasangan yang sama dari subyek yang
sama pula (variasi skor variabel yang dihubungkan harus sama).
Variabel yang dihubungkan mempunyai data interval atau rasio.
Nilai r
Nilai r terbesar adalah +1 dan r terkecil adalah –1. r = +1 menunjukkan hubungan
positip sempurna, sedangkan r = -1 menunjukkan hubungan negatip sempurna.
r tidak mempunyai satuan atau dimensi. Tanda + atau - hanya menunjukkan arah
hubungan. Intrepretasi nilai r adalah sebagai berikut:
r Interpretasi
0 Tidak berkorelasi
0,01-0,20 Korelasi Sangat rendah
0,21-0,40 Rendah
0,41-0,60 Agak rendah
0,61-0,80 Cukup
0,81-0,99 Tinggi
1 Sangat tinggi
No. resp X Y XY X2 Y2
4. Cari r hitung.
5. Tentukan taraf signifikansinya (α)
6. Cari r tabel dengan dk = n-2
7. Tentukan kriteria pengujian Jika -rtabel≤rhitung≤+rtabel, maka Ho diterima
8. Bandingkan thitung dengan ttabel
9. Buatlah kesimpulan.
Contoh:
1. Tulis Ho dan Ha dalam bentuk kalimat.
Ho : Tidak terdapat hubungan yang positip dan signifikan antara variabel Biaya
Promosi
dengan Nilai Penjualan.
Ha : Terdapat hubungan yang positip dan signifikan antara variabel Biaya Promosi
dengan Nilai Penjualan.
2. Tulis Ho dan Ha dalam bentuk statistik.
Ho : r = 0.
Ha : r ≠ 0.
3. Buat tabel penolong sebagai berikut:
4. Cari r hitung
8(15.032) - (192)(608)
=
8(4.902)-(192)2 8(47.094)-(608)2
= 0,86
c. Korelasi berganda
Korelasi Berganda adalah suatu korelasi yang bermaksud untuk melihat hubungan
antara 3 atau lebih variabel (dua atau lebih variabel dependent dan satu variabel
independent). Korelasi berganda berkaitan dengan interkolasi variabel variabel
independen seagaimana korelasi mereka dengan variabel dependen. Selain itu
menurut Riduwan (2012:238) korelasi ganda adalah suatu nilai yang memberika
kuatnya pengaruh atau hubungan dua variabel atau lebih secara bersama sama dengan
variabel lain.
Korelasi berganda (multiple correlation) merupakan korelasi yang terdiri dari dua
variaberl bebas (X1, X2) atau lebih, serta satu variabel terikat (Y). Apabila perumusan
masalahnya terdiri dari tiga masalah atau lebih, dan hubungan masing masing variabel
di hitung menggunakan korelasi sederhana maka diperoleh alur hubungan antar
masing masing variabel.
Misalnya pada suatu penelitian yang berjudul ―Kepemimpinan dan Tata Ruang
Kantor dalam kaitannya dengan Kepuasan Kerja Pegawai di lembaga A‖.
Berdasarkan data yang terkumpul untuk setiap variabel, dan setelah dihitung korelasi
sederhananya ditemukan sebagai berikut :
2. Korelasi antara Tata Ruang Kantor dengan Kepuasan Kerja Pegawai, r2 = 0,48;
Dengan menggunakan rumus 7.4 korelasi ganda antara Kepemimpinan dan Tata
Ruang Kantor secara bersama-sama dengan Kepuasan Kerja Pegawai dapat dihitung.
Hasil perhitungan korelasi sederhana dan ganda dapat digambarkan sebagai berikut :
Dari perhitungan tersebut, ternyata besarnya korelasi ganda R harganya lebih besar
dari korelasi Individual ryx1 dan ryx2. Pengujian signifikansi terhadap koefisien
korelasi ganda dapat menggunakan rumus dibawah ini yaitu dengan uji F.
Dimana :
n = jumlah sampel
Berdasarkan angka yang telah ditemukan, dan bila n = 30, maka harga Fh, dapat
dihitung dengan rumus diatas.
Harga tersebut selanjutnya dibandingkan dengan harga F tabel dengan dk pembilang
= k dan dk penyebut = (n — k — 1). Jadi dk pembilang = 2 dan dk penyebut = 10–2–
1 = 7. Dengan taraf kesalahan 5%, harga F tabel ditemukan = 4,74. Ternyata harga F
hitung lebih besar dari F tabel (7,43 > 4,74). Karena Fh > dari F tabel maka koefisien
korelasi ganda yang ditemukan adalah signifikan (dapat diberlakukan untuk populasi
dimana sampel diambil).
d. Regresi berganda
Regresi ganda ialah suatu alat analisis peramalan niali pengaruh dua variabel bebas
atau lebih terhadap variabel terikat untuk membuktikan ada atau tidaknya hubungan
fungsi atau hubungan kausal antara dua variabel bebas atau lebih dengan satu variabel
terikat. Persamaan regresi bergnada yaitu :
Y = a + b1 X1 +b2 X2 + ….+ bn Xn
Keterangan:
Dalam tulisan ini akan membahas tentang urutan atau langkah-langkah dalam
mencari persamaan regresi berganda dari data yang ada secara manual. Dari
persamaan regresi yang ada selanjutnya akan dilakukan perbandingan nilai F hitung
dengan F tabel untuk mencari seberpa besar tingkat pengaruh variabel-variabel bebas
terhadap variabel terikat.
2. 4 i 4 7 16 25 16) 49 20 16 28 2 2 28
0 5
3. 5 7j3 5 2S 49 9| 25 3S 1S 2S II 2 LS
5
4. 6 7 4 H 36 49 16| 64 42 24 48 2 5 22
8 6
5. $ 413 7 9 16 9} 49 12 9 2t J 2 21
2 8
6. 7 6 3 7 49 3 9 4 4 2 4 1 4 1
u 6 9 2 1 9 8 2 1
6 7
7. 8 5 9 4 64 25 8J 64 40 72 4 2 45
O
IL 6 7 4 d 36 t9 16 64 42 24 48 2 5 32
8 6
9- 5 7 4 7 25 49 IG 49 US 20 US 2 4 38
8 9
IO 7 H 8 9 49 6t 26 t BJ S6 42 68 4 7 S4
- 8 z
S 65 j 7 334 427 177 56 378 226 424 27 48 2M
6 A1 4 | 0 3 7
= b,47
=437
Secara matematis model analisis regresi linier sederhana dapat digambarkan sebagai
berikut:
Y = A + BX + e
Keterangan :
Secara praktis analisis regresi linier sederhana memiliki kegunaan sebagai berikut:
1. Model regresi sederhana dapat digunakan untuk forecast atau memprediksi nilai Y.
Namun sebelum melakukan forecasting, terlebih dahulu harus dibuat model atau
persamaan regresi linier. Ketika model yang fit sudah terbentuk maka model tersebut
memiliki kemampuan untuk memprediksi nilai Y berdasarkan variabel Y yang
diketahui. Katakanlah sebuah model regresi digunakan untuk membuat persamaan
antara pendapatan (X) dan konsumsi (Y). Ketika sudah diperoleh model yang fit
antara pendapatan dengan konsumsi, maka kita dapat memprediksi berapa tingkat
konsumsi masyarakat ketika kita sudah mengetahui pendapatan masyarakat.
Model regresi linier sederhana yang baik harus memenuhi asumsi-asumsi berikut:
3. Varians error yang konstan, ini menjelaskan bahwa varians error atau varians
residual yang tidak berubah-ubah pada respon yang berbeda. asumsi ini lebih dikenal
dengan asumsi homoskedastisitas. Mengapa varians error perlu konstan? karena jika
konstan maka variabel error dapat membentuk model sendiri dan mengganggu model.
Oleh karena itu, penanggulangan permasalahan heteroskedastisitas/non-
homoskedastisitas dapat diatasi dengan menambahkan model varians error ke dalam
model atau model ARCH/GARCH.
4. Autokorelasi untuk data time series, jika kita menggunakan analisis regresi
sederhana untuk data time series atau data yang disusun berdasarkan urutan waktu,
maka ada satu asumsi yang harus dipenuhi yaitu asumsi autokorelasi. Asumsi ini
melihat pengaruh variabel lag waktu sebelumnya terhadap variabel Y. Jika ada
gangguan autokorelasi artinya ada pengaruh variabel lag waktu sebelumnya terhadap
variabel Y. sebagai contoh, model kenaikan harga BBM terhadap inflasi, jika
ditemukan atukorelasi artinya terdapat pengaruh lag waktu terhadap inflasi. Artinya
inflasi hari ini atau bulan ini bukan dipengaruhi oleh kenaikan BBM hari ini namun
dipengaruhi oleh kenaikan BBM sebelumnya (satu hari atau satu bulan tergantung
data yang dikumpulkan).
Berikut contoh soal yang dapat dipecahkan menggunakan regresi linier sederhana.
Data disajikan dalam bentuk tabel dimana X merupakan umur mobil sedangkan Y
adalah harga mobil tersebut sebagaimana terlihat dibawah ini:
Usia Mobil Harga Mobil xy x2
(tahun)X ($100)y
5 85 425 25
4 103 412 16
6 70 420 36
5 82 410 25
5 89 445 25
5 98 490 25
6 66 396 36
6 95 570 36
2 169 338 4
7 70 470 49
7 48 336 49
Tabel diatas menyajikan data dengan variabel X adalah umur mobil dan variabel Y
adalah harga. Hasil estimasinya adalah sebagai berikut :
sehingga persamaan regresinya menjadi Yˆ=195.47−20.26X
Dari hasil estimasi yang diperoleh dapat disimpulkan bahwa setiap umur mobil
bertambah satu tahun maka harga mobil tersebut akan turun sebesar $2.026.
DAFTAR PUSTAKA
https://www.statmat.net/uji-chi-square/
https://medium.com/@indriin05/korelasi-dan-regresi-berganda-8208b1ff3c1c
https://medium.com/@indriin05/korelasi-dan-regresi-berganda-8208b1ff3c1c