ANALISIS KORELASI DAN

REGRESI LINEAR SEDERHANA

NAMA :
JOHANES JARIN
SHANDY RICKO PRATAMA (18.420.410.1292)
MOUDISYA ADELI CHELLSEA (18.420.410.1323)
KELOMPOK : 1
ANALISIS KORELASI DAN REGRESI LINEAR SEDERHANA

Latar Belakang
Terdapat kejadian-kejadian, kegiatan-kegiatan,
atau masalah-masalah yang saling berhubungan
satu sama lain.

Dibutuhkan analisis hubungan antara kejadian

tersebut.

Perlu dibahas mengenai bentuk hubungan yang

ada atau diperkirakan ada antara kedua perubah
tersebut.
• Apa yang diukur dari hubungan tersebut???

Bagaimana hubungan fungsional dua kejadian tersebut

atau bagaimana persamaan matematis yang
mempresentasikan hubungan dua kejadian tersebut
(analisis regresi)

Bagaimana kekuatan atau keeratan hubungan dua

kejadian tersebut (analisis korelasi)
• Regresi merupakan teknik statistika yang
digunakan untuk mempelajari hubungan
fungsional dari satu atau beberapa peubah
bebas (peubah yang mempengaruhi) terhadap
satu peubah tak bebas (peubah yang
dipengaruhi)

• Korelasi merupakan ukuran kekuatan hubungan

dua peubah (tidak harus memiliki hubungan
sebab akibat)
ANALISIS KORELASI DATA TUNGGAL
 Jenis Variabel
Y = variabel dependen, terikat, tergantung, kriterium.
X = variabel independen, bebas, tak tergantung,
prediktor.
Variabel terikat (dependent variable atau response
variable) adalah variabel yang nilainya akan diramalkan
dan biasanya diplot pada sumbu tegak (sumbu-y).
Va r i a b e l b e b a s ( i n d e p e n d e n t v a r i a b l e a t a u
explanatory variable) adalah variabel yang diasumsikan
memberikan pengaruh terhadap variasi variabel terikat
dan biasanya diplot pada sumbu datar (sumbu-x).
• Dua buah variabel X dan Y
mempunyai hubungan yang
positif dan negatif.
• Hubungan X dan Y dikatakan
positif apabila kenaikan
(penurunan) pada umumnya
diikuti oleh kenaikan
(penurunan) Y.
Koefisien Koefisien
• Hubungan X dan Y dikatakan Korelasi Korelasi
negatif apabila kenaikan Hubungan Hubungan
(penurunan) pada umumnya Positif Negatif
diikuti oleh penurunan
(kenaikan) Y.
• Apabila bentuk diagram pencar tidak teratur, artinya kenaikan
(penurunan) X pada umumnya tidak diikuti oleh naik turunnya Y,
maka dikatakan X dan Y tidak berkorelasi
• Dengan kata lain, jika naik turunnya variabel X tidak mempengaruhi
Y, dikatakan X dan Y bebas, atau tidak ada hubungan atau
hubungannya sangat lemah.
• Konsep
Koefisien korelasi digunakan untuk mengukur keeratan hubungan
dua peubah (tidak harus memiliki hubungan sebab akibat).

• Notasi
Koefisien korelasi dapat ditulis “ rxy ” atau disingkat r saja.
Koefisien korelasi contoh (bila tidak seluruh anggota populasi
diamati) dinotasikan dengan rxy atau r saja

• Nilai
Koefisien korelasi mempunyai nilai –1  rxy  +1
Tanda +/ – dari koefisien korelasi sama dengan tanda dari slope
• Sebelum dilakukan analisa regresi, langkah yang biasa
ditempuh adalah melakukan analisa korelasi yang
ditujukan untuk mengetahui erat tidaknya hubungan
antar variabel.

• Interpretasi koefisien korelasi untuk mengukur kuatnya

hubungan antar variabel tergantung pada asumsi yang
digunakan untuk X dan Y. Bila X dan Y bervariasi maka
koef i s i e n ko r e l a si a ka n m e n g u ku r “ c o va r i a b i l i t y
(kesamaan variasi)” antara X dan Y.
• Besarnya koefisien korelasi dinyatakan sebagai

cov( X , Y )  xy
r 
 x y  x y
• Dalam prakteknya, ρ tidak diketahui tetapi nilainya dapat
diestimasi berdasar data sampel. Bila r adalah penduga
ρ, dengan r dinyatakan sebagai :
 Rumus 1

n
1 n
x y i i xi  X i  X , X   X i
rxy  i 1 n i1
 n 2  n 2  1 n
 xi  yi  yi  Yi  Y , Y  Yi
 i1  i1  n i1

rxy = –1, kedua peubah berhubungan kuat tapi berlawanan arah

rxy = +1, kedua peubah berhubungan kuat dan searah
rxy = 0, kedua peubah tidak memiliki hubungan
 Rumus 2

n
 n  n 
nxi yi xi yi 
rxy  i1  i1  i1 
 n 2  n 2  n 2  n 2 
nxi xi  nyi yi  
 i1  i1   i1  i1  

rxy = –1, kedua peubah berhubungan kuat tapi berlawanan arah

rxy = +1, kedua peubah berhubungan kuat dan searah
rxy = 0, kedua peubah tidak memiliki hubungan
• Seberapa besar kontribusi dari X terhadap naik turunnya
nilai Y dinyatakan dengan koefisien penentuan (KP).

KP = r2

• Misalkan r = 0,9, maka KP = (0,9)2 = 0,81 = 81%.

Besarnya sumbangan variabel X terhadap naik turunnya
Y adalah 81%, sedangkan 19% disebabkan oleh faktor
lainnya.
• Contoh
Berikut ini data persentase kenaikan biaya iklan (X) dan
persentase kenaikan hasil penjualan (Y). Hitunglah
koefisien korelasi.

X 1 2 4 5 7 9 10 12
Y 2 4 5 7 8 10 12 14
• Jawaban (Rumus 2)
X Y X2 Y2 XY
1 2 1 4 2
2 4 4 16 8
4 5 16 25 20
5 7 25 49 35
7 8 49 64 56
9 10 81 100 90
10 12 100 144 120
12 14 144 198 168
50 62 420 598 499
 n
 n  n 
n x i y i    x i   y i 
rxy  i 1  i 1   i 1 
 n 2  n   n 2  n
2
 
2

n xi    xi   n y i    y i  
 i 1  i 1    i 1  i 1  
8 499   50 62 
rxy 
8420   50 8598   62 2 
rxy  0 ,99

 Hubungan antara X dan Y sangat kuat dan positif, artinya kenaikan biaya
iklan pada umumnya menaikkan hasil penjualan.
 KP = r 2 = (0,99) 2 = 0,98 = 98%, artinya sumbangan biaya iklan terhadap
naik turunya hasil penjualan adalah 98%, sedangkan sisanya 2%
disebabkan oleh faktor-faktor lainnya, seperti harga dan daya beli
masyarakat.
• Korelasi
• Rumus

nuvf ufu vfv 

r
   
n u fu  ufu  n v fv  vfv 
2 2 2 2
• Contoh
Data 100 orang mahasiswa STMIK MDP tentang hasil ujian
matematika dan statistika. Tentukan korelasi antara nilai ujian
matematika dan statistika.
• Jawaban
 Nilai Nilai u fu Nilai Nilai v fv
Matematika Tengah Statistika Tengah
40 – 49 44,5 -2 7 90 – 99 94,5 2 10
50 – 59 54,5 -1 15 80 – 89 84,5 1 16
60 – 69 64,5 0 25 70 – 79 74,5 0 24
70 – 79 74,5 1 23 60 – 69 64,5 -1 21
80 – 89 84,5 2 20 50 – 59 54,5 -2 17
90 – 99 94,5 3 10 40 – 49 44,5 -3 12
 1 2 3 4 5

v fv vfv v2fv uvf

2 4 4 2 10 20 40 44
1 4 6 5 1 16 16 16 31
5 10 8 1 0 24 0 0 0
1 4 9 5 2 -1 21 -21 21 -3
3 6 6 2 -2 17 -34 68 20
3 5 4 -3 12 -36 108 33
100 -55 253 125
6 u -2 -1 0 1 2 3
7 fu 7 15 25 23 20 10 100
8 ufu -14 -15 0 23 40 30 64
9 u2fu 28 15 0 23 80 90 236
10 uvf 32 31 0 -1 24 39 125
diketahui :
n  100 ;  uvf  125;  uf  64; u

 vf v  55;  u f  236 ;  v f
2
u
2
v  253

di tan ya : r  ....?
jawab:
nuvf  ufu vfv 
r
  
n u2 fu  ufu  n v2 fv  vfv 
2
 2

r
100125  64 55
100236  642 100253   552
r  0,77

Hubungan antara nilai matematika dan statistika kuat dan positif. Artinya, nilai matematika yang
diperoleh mahasiswa akan mempengaruhi nilai statistika.

Pada umumnya, mahasiswa dengan nilai matematika yang rendah akan memperoleh
nilai statistika yang rendah. Demikian sebaliknya, mahasiswa dengan nilai matematika yang tinggi
akan memperoleh nilai statistika yang tinggi pula.
REGRESI LINEAR SEDERHANA

• Regresi Linier
-Metode Kuadrat terkecil (least square method): metode paling populer untuk
menetapkan persamaan regresi linier sederhana

- Bentuk Umum Regresi Linier Sederhana

Y = a + bX
Y : peubah takbebas
X : peubah bebas
a : konstanta
b : kemiringan
Nilai b dapat positif (+) dapat negartif (-)
Y = a + bX Y = a - bX

b : positif → Y b : negatif → Y

X X
• Penetapan Persamaan Regresi Linier Sederhana
n
 n
 n

n xi.yi    x i  .  yi 
b  i 1  i 1  i 1 
2
n
 n

n  xi 
2
  xi 
i 1  i 1 

n n
i  yi x i

a  y  bx sehingga a i 1

n
b i 1

n : banyak pasangan data

yi : nilai peubah takbebas Y ke-i
xi : nilai peubah bebas X ke-i
• contoh :
Tahun x y xy x2 y2
Biaya Promosi (Juta Rupiah) Volume Penjualan
(Ratusan Juta Liter)

1992 2 5 10 4 25

1993 4 6 24 16 36

1994 5 8 40 25 64

1995 7 10 70 49 100

1996 8 11 88 64 121

∑ ∑x = 26 ∑y = 40 ∑xy = 232 ∑x2 = 158 ∑y2 = 346

bentuk umum persaman regresi linier sederhana : Y = a + b X

n=5
• mencari nilai b :
n
 n
  n

n xi.yi    x i  .  yi 
b  i 1  i 1   i 1 
2
n
 n

n  xi 
2
  xi 
i 1  i 1 

b 
5
 232    26  40 
 5  158   26 2  
1160  1040
b 
790  676
120
b   1 . 0526  1 . 053
140
• mencari nilai a :
n n
i  yi x i
a i 1
b i 1

n n
40  26 
a  1.05263....  
5  5 
a  8  1.05263....  5.2 
a  8  5.4736  2.5263  2.530
 Y = a + b X → Y = 2.530 + 1.053 X
• Peramalan dengan Persamaan Regresi
Contoh 3 :
Diketahui hubungan Biaya Promosi (X dalam Juta Rupiah) dan Y (Volume penjualan
dalam Ratusan Juta liter) dapat dinyatakan dalam persamaan regresi linier berikut
Y = 2.530 + 1.053 X
Perkirakan Volume penjualan jika dikeluarkan biaya promosi Rp. 10 juta ?
Jawab :
Y = 2.530 + 1.053 X
X = 10

Y = 2.53 + 1.053 (10) = 2.53 + 10.53 = 13.06 (ratusan juta liter)

Volume penjualan = 13.06 x 100 000 000 liter