RANGKUMAN

KORELASI DAN REGRESI

A. PENDAHULUAN

Peneliatian yang mengaitkan dua variabel, misalkan saja variabel X dan variabel Y.
sebagai contoh X adalah penghasilan dan Y adalah tabungan, jika kita ingin mengaitkan X
dengan Y, karena ingin mengetahui seberapa kuat hubungannya atau seberapa besar
pengaruhnya, maka X disebut variabel bebas (independent variabel) yang
mempengaruhi Y sebagai variabel tak bebas (dependent variabel). Ini artinya X
mempengaruhi Y, atau Y dipengaruhi oleh X atau dengan lain kata Y tergantung pada X.

Contoh untuk memberi gambaran pertanyaan (Why), maka penelitian antara dua
variabel X dan Y untuk diketahui seberapa kuat hubungannya atau seberapa besar
pengaruhnya dapat dijelaskan. Misalnya mengapa variabel Y naik, karena X juga naik. Ini
artinya kenaikan penghasilan bisa menaikkan tabungan. Untuk pertanyaan lainnya
(Why) misalkan:
 Jika X naik 1 unit, berapa kenaikan Y?
 Jika penghasilan mencapai Rp.15.000.000,-, berapa rupiah tabungan akan
bertambah?
 Dan lain sebagainya

Analisis yang melibatkan dua variabel saja yaitu X dan Y, disebut analisis bivariate. Di
dalam hubungan dua variabel X dan Y, akan dibuat analisis korelasi dan regresi linear
sederhana (simple linear regression).

Analisis korelasi bertujuan untuk mengetahui kuatnya hubungan antara variabel X dan Y
sebagai variabel bebas dan tak bebas. Jika X dan Y berkorelasi kuat, analisis dilanjutkan
dengan analisis regresi yang bertujuan untuk:
1. Mengetahui besarnya pengaruh dari perubahan X terhadap Y jika X naik 1 unit
(satu satuan). Dengan lain kata: jika X naik 1 unit, berapa kali kenaikan Y.
Sebagai catatan:
Misalkan dalam penelitian, misalkan X konstan, tidak mempengaruhi Y. Ini
artinya tidak menjadi masalah, karena bisa jadi Y dipengaruhi banyak faktor
bukan hanya X saja.
2. Memperkirakan/meramalkan nilai Y jika variabel X yang berkorelasi dengan Y
sudah diketahui.

B. KORELASI

Korelasi merupakan teknik statistik yang digunakan untuk meguji ada/tidaknya

hubungan serta arah hubungan dari dua variabel atau lebih.

Korelasi memiliki beberapa tipe, diantaranya adalah sebagai berikut:

1. Korelasi sederhana pearson & spearman
2. Korelasi partial
 3. Korelasi ganda

KOEFISIEN KORELASI
Besar kecilnya hubungan antara dua variabel dinyatakan dalam bilangan yang disebut
Koefisien Korelasi, yaitu:
a. Besarnya Koefisien korelasi antara -1 0 +1
b. Besaran koefisien korelasi -1 & 1 adalah korelasi yang sempurna
c. Koefisien korelasi 0 atau mendekati 0 dianggap tidak berhubungan antara dua
variabel yang diuji

ARAH HUBUNGAN
a. Positif (Koefisien 0 s/d 1)
b. Negatif (Koefisien 0 s/d -1)
c. Nihil (Koefisien 0)
1. KORELASI PEARSON
Bentuk korelasi Pearson digunakan untuk data interval dan rasio, memiliki distribusi data
normal, dan terdiri dari dua variabel:
 1 Variabel X (Independen)
 1 Variabel Y (dependen)

CONTOH:
Berikut adalah data hasil belajar mahasiswa (jumlah kehadiran dan nilai tugas) PGSD
semester Ganjil tahun akademik 2021/2022.

Tabel 1 Data Jumlah Kehadiran dan Nilai Tugas Mahasiswa PGSD Tahun 2021/2022

No Max Hadir Hadir Nilai Keterangan

1 8 7 80
2 8 5 70
3 8 6 75
4 8 7 80
5 8 5 70
6 8 8 80
7 8 5 70
8 8 8 80
9 8 7 80
10 8 7 80
11 8 7 80
12 8 6 75
13 8 5 70
14 8 3 0
15 8 7 80
16 8 6 75
17 8 6 75
18 8 5 70

Judul : Hubungan antara intensitas belajar dengan prestasi mata kuliah

statistik pendidikan
Variabel X : Intensitas belajar (diukur dari lamanya belajar dalam satu semester)
Variabel Y : Prestasi matakuliah statistik pendidikan (diukur dari nilai tugas akhir
semester)

Hipotesa:
H0 : Tidak ada hubungan antara Intensitas belajar dengan prestasi mata kuliah
statistik pendidikan.
H1 : Ada hubungan antara Intensitas belajar dengan prestasi mata kuliah
statistikprobabiltas.
INPUT DATA KE SPSS

Gambar 1 Input Data Kehadiran dan Nilai Mahasiswa

SPSS
Ada dua view dalam SPSS
a. Data View : digunakan untuk memasukkan data yang akan dianalisis
b. Variabel View : digunakan untuk memberi nama variabel dan pemberian tipe
data.

UJI NORMALITAS

Gambar 2 Uji Normalitas

 Gambar 3 Langkah Uji Normalitas pada SPSS

INTERPRESTASI NORMALITAS

Tabel 2 Hasil Tes Normalitas dengan SPSS

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

hadir .201 18 .053 .909 18 .083

nilai .408 18 .000 .441 18 .000

a. Lilliefors Significance Correction

Untuk melihat hasil tes uji normalitas apakah data normal atau tidak adalah dengan
melihat Sig. Kolmogorof-Smirnov:
 Normal apabila Sig. > 0,05
 Tidak Normal apabila Sig. < 0,05
Hasil uji normalitas data Sig. Kolmogorof-Smirnov bernilai 0,053, sehingga data
kehadiran mahasiswa normal.
TAHAP ANALISIS

Gambar 4 Tahap Analisis Korelasi Bivariate

Pindahkan variabel hadir dan nilai ke kolom Variables  kemudain perhatikan

Correlation Coefficients dan pastikan telah ter-ceklist Pearson, dan klik OK.

Gambar 5 Korelasi Bivariate

 Tabel 3 Hasil Korelasi Pearson

Correlations

hadir nilai

hadir Pearson Correlation 1 .767**

Sig. (2-tailed) .000

N 18 18
**
nilai Pearson Correlation .767 1

Sig. (2-tailed) .000

N 18 18

**. Correlation is significant at the 0.01 level (2-tailed).

Perhatikan koefisien pearson korelasi bernilai 0.767 dan Sig. (2-tailed) 0.000.

INTERPRETASI HASIL KORELASI PEARSON

Untuk pengambilan keputusan statistik, dapat digunakan dua cara, yaitu:
1. Koefisien Korelasi dibandingkan dengan nilai r tabel (korelasi tabel)
Apabila Koefisien Korelasi > r tabel, Maka ada korelasi yang signifikan (H1
Diterima)
Apabila Koefisien Korelasi < r tabel, Maka tidak ada korelasi yang signifikan (H0
Diterima)
2. Melihat Sig.
Apabila nilai Sig. < 0,05 Maka ada korelasi yang signifikan (H1 Diterima)
Apabila nilai Sig. > 0,05 Maka tidak ada korelasi yang signifikan (H0 Diterima)

Hasil interpretasi dengan melihat Sig. (2-tailed) = 0.000 bernilai < 0,05, maka ada
korelasi yang signifikan (H1 diterima). Artinya ada hubungan intensitas belajar dengan
prestasi mata kuliah statistik pendidikan.

Arah hubungan:
Dilihat dari tanda koefisien korelasi
1. Tanda (-) berarti apabila variabel X tinggi maka variabel Y rendah
2. Tanda (+) berarti apabila variabel X tinggi maka variabel Y juga tinggi

2. KORELASI SPEARMAN
a. Digunakan untuk jenis data ordinal.
b. Cara analisis dan interpretasi sama dengan Pearson.
c. Perbedaan hanya pada waktu memilih box yang diaktifkan adalah box
spearman.
 Gambar 6 Korelasi Bivariate Spearman

Tabel 4 Hasil Korelasi Spearman

Correlations

hadir Nilai

Spearman's rho hadir Correlation Coefficient 1.000 .973**

Sig. (2-tailed) . .000

N 18 18

nilai Correlation Coefficient .973** 1.000

Sig. (2-tailed) .000 .

N 18 18

**. Correlation is significant at the 0.01 level (2-tailed).

Perhatikan koefisien Spearman korelasi bernilai 0.973 dan Sig. (2-tailed) 0.000.

INTERPRETASI HASIL KORELASI

Untuk pengambilan keputusan statistik, dapat digunakan dua cara, yaitu:
1. Koefisien Korelasi dibandingkan dengan nilai r tabel (korelasi tabel)
Apabila Koefisien Korelasi > r tabel, Maka ada korelasi yang signifikan (H1
Diterima)
Apabila Koefisien Korelasi < r tabel, Maka tidak ada korelasi yang signifikan (H0
Diterima)
2. Melihat Sig.
Apabila nilai Sig. < 0,05 Maka ada korelasi yang signifikan (H1 Diterima)
Apabila nilai Sig. > 0,05 Maka tidak ada korelasi yang signifikan (H0 Diterima)
 Hasil interpretasi dengan melihat Sig. (2-tailed) = 0.000 bernilai < 0,05, maka ada
korelasi yang signifikan (H1 diterima). Artinya ada hubungan intensitas belajar dengan
prestasi mata kuliah statistik pendidikan.

3. KORELASI PARTIAL
Korelasi yang digunakan untuk menguji hubungan dua atau lebih variabel independen
dengan satu variabel dependen dan dilakukan pengendalian pada salah satu variabel
independennya.

CONTOH
Diberikan data olahan penulis tentang biaya promosi (juta rupiah), jumlah outlet (unit),
dan hasil penjualan (juta rupiah), adalah sebagai berikut:

Tabel 5 Data Biaya Promosi, Jumlah Outlet dan Hasil Penjualan

Biaya Promosi Jml Outlet Penjualan

105 33 205
150 38 250
125 30 225
95 25 195
135 35 235
145 40 245
123 30 223
190 50 290
100 32 200
112 35 212

Judul : Hubungan antara biaya promosi dan penjualan dengan mengendalikan

jumlah outlet
Variabel X1 : Biaya Promosi
Variabel X2 : Jumlah outlet (dikendalikan)
Variabel Y : Penjualan

Hipotesa:
H0 : Tidak ada hubungan antara biaya promosi dengan penjualan apabila jumlah
outlet dikendalikan
H1 : Ada hubungan antara biaya promosi dengan penjualan apabila jumlah outlet
dikendalikan

ANALISIS

Pada perhitungan SPSS pastikan data variabel dependent list (penjualan) sudah normal
dengan uji normalitas.
KORELASI PARTIAL

Gambar 7 Korelasi Partial

Variabel penjualan dan biaya promosi masukkan ke kolom Variables, sedangkan variabel
outlet masukkan ke kolom Controlling for.

OUTPUT PARTIAL

Tabel 6 Hasil Korelasi Partial

Correlations

Control Variables promosi penjualan

outlet promosi Correlation 1.000 1.000

Significance (2-tailed) . .000

df 0 7

penjualan Correlation 1.000 1.000

Significance (2-tailed) .000 .

df 7 0

Perhatikan koefisien partial korelasi bernilai 1.000 dan Significance. (2-tailed) 0.000.

INTERPRETASI HASIL KORELASI PARTIAL

Untuk pengambilan keputusan statistik, dapat digunakan dua cara, yaitu:
A. Koefisien Korelasi dibandingkan dengan nilai r tabel (korelasi tabel)
 Apabila Koefisien Korelasi > r tabel, Maka ada korelasi yang signifikan
(H1 Diterima)
  Apabila Koefisien Korelasi < r tabel, Maka tidak ada korelasi yang
signifikan (H0 Diterima)
B. Melihat Sig.
Apabila nilai Sig. < 0,05 Maka ada korelasi yang signifikan (H1 Diterima)
Apabila nilai Sig. > 0,05 Maka tidak ada korelasi yang signifikan (H0 Diterima)

Hasil interpretasi dengan melihat Significance. (2-tailed) = 0.000 bernilai < 0,05, maka
ada korelasi yang signifikan (H1 diterima). Artinya Ada hubungan antara biaya promosi
dengan penjualan apabila jumlah outlet dikendalikan.
C. REGRESI

Analisis regresi linear sederhana merupakan salah satu metode regresi yang dapat
dipakai sebagai alat inferensi statistik untuk menentukan pengaruh sebuah variabel
bebas (independen) terhadap variabel terikat (dependen). Uji Regresi linear sederhana
ataupun regresi linier berganda pada intinya memiliki beberapa tujuan, yaitu:
 Menghitung nilai estimasi rata-rata dan nilai variabel terikat berdasarkan pada
nilai variabel bebas.
 Menguji hipotesis karakteristik dependensi.
 Meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel
bebas diluar jangkaun sample.

Berikut adalah catatan mengenai Regresi:

a. Analisis regresi adalah analisis lanjutan dari korelasi.
b. Menguji sejauh mana pengaruh variabel independen terhadap variabel
dependen setelah diketahui ada hubungan antara variabel tersebut.
c. Data harus interval/rasio.
d. Data Berdistribusi normal.

Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi dan
persyaratan yang perlu diperiksa dan diuji, beberapa diantaranya adalah :
 Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai
disturbance term sebesar 0 atau dengan simbol sebagai berikut: E (U / X) = 0,
 Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory)
tidak ada hubungan linier yang nyata,
 Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar <
0.05, Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini
diketahui jika angka Standard Error of Estimate < Standard Deviation,
 Koefisien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien
regresi signifikan jika T hitung > T table (nilai kritis),
 Model regresi dapat diterangkan dengan menggunakan nilai koefisien
determinasi (KD = R Square x 100%) semakin besar nilai tersebut maka model
semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik,
 Residual harus berdistribusi normal,
 Data berskala interval atau rasio,
 Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel
bebas (variabel predictor) sedang variabel lainnya variabel terikat (variabel
response).

Analisis regresi mempelajari bentuk hubungan antara satu atau lebih variabel bebas (X)
dengan satu variabel tak bebas (Y). Dalam penelitian variabel bebas (X) biasanya variabel
yang ditentukan oleh peneliti secara bebas misalnya dosis obat, lama penyimpanan,
kadar zat pengawet, umur ternak dan sebagainya. Disamping itu variabel bebas bisa juga
berupa variabel tak bebasnya, misalnya dalam pengukuran panjang badan dan berat
badan sapi, karena panjang badan lebih mudah diukur maka panjang badan dimasukkan
kedalam variabel bebas (X), sedangkan berat badan dimasukkan variabel tak bebas (Y).
Sedangkan variabel tak bebas (Y) dalam penelitian berupa respon yang diukur akibat
perlakuan/variabel bebas (X). Misalnya jumlah sel darah merah akibat pengobatan
dengan dosis tertentu, jumlah mikroba daging setelah disimpan beberapa hari, berat
ayam pada umur tertentu dan sebagainya.

Bentuk hubungan antara variabel bebas (X) dengan variabel tak bebas (Y) bisa dalam
bentuk polinom derajat satu (linear) polinom derajat dua (kuadratik). Polinom derajat
tiga (Kubik) dan seterusnya. Disamping itu bisa juga dalam bentuk lain misalnya
eksponensial, logaritma, sigmoid dan sebagainya. Bentuk-bentuk ini dalam analisis
regresi-korelasi biasanya dilakukan transformasi supaya menjadi bentuk polinom.

Dalam bentuk yang paling sederhana yaitu satu variabel bebas (X) dengan satu variabel
tak bebas (Y) mempunyai persamaan:
Y =a +bx

Disini a disebut intersep dan b adalah koefisien arah atau koefisien beta.

Dalam pengertian fungsi persamaan garis Y + a + bx hanya ada satu yang dapat dibentuk
dari dua buah titik dengan koordinat yang berbeda yaitu ( X 1, Y1) dan X2,Y2). Hal ini
berarti kita bisa membuat banyak sekali persamaan garis dalam bentuk lain melalui dua
buat titik yang berbeda koordinatnya/tidak berimpit.

Pada penulisan ini, akan dibahas materi:

a. Regresi sederhana: yaitu regresi untuk 1 variabel independen dengan 1 variabel
dependen.
b. Regresi ganda: yaitu regresi untuk lebih dari satu variabel independen dengan 1
variabel dependen.

REGRESI SEDERHANA

Perhatikan kembali data jumlah kehadiran dan nilai tugas mahasiswa PGSD Tahun
2021/2022 (Tabel 1).

Tabel 8 Data Jumlah Kehadiran dan Nilai Tugas Mahasiswa PGSD Tahun 2021/2022

No Max Hadir Hadir Nilai Keterangan

1 8 7 80
2 8 5 70
3 8 6 75
4 8 7 80
5 8 5 70
6 8 8 80
7 8 5 70
8 8 8 80
9 8 7 80
10 8 7 80
11 8 7 80
12 8 6 75
13 8 5 70
14 8 3 0
 15 8 7 80
16 8 6 75
17 8 6 75
18 8 5 70

Untuk menghitung regresi sederhana menggunakan SPSS 17.0, panggil kembali data
jumlah kehadiran dan nilai tugas mahasiswa PGSD Tahun 2021/2022 seperti latihan
sebelumnya (Lihat Gambar 1).

Pilih menu Analyze  kemudian pilih Regression  dan pilih Linear.

Gambar 10 Regresi Linear Sederhana

Variabel nilai pindahkan ke kolom Dependent, sedangkan variabel hadir pindahkan ke

kolom Independent. Menu atau tombol lainnya diabaikan saja. Selanjutnya klik OK.

Gambar 11 Langkah Pengisian Linear Regression

Hasil output perhitungan regresi sederhana tentang ‘Ada hubungan antara
Intensitasbelajar dengan prestasi mata kuliah statistik probabiltas’, adalah sebagai
berikut:

Tabel 9 Model Summary Jumlah Kehadiran dan Nilai Tugas Mahasiswa PGSD Tahun 2021/2022

Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .767a .589 .563 12.156

a. Predictors: (Constant), hadir

Model Summary digunakan untuk melihat nilai Korelasi. Lihat nilai R = 0,767 ini
berarti bahwa korelasi antara variabel X (hadir) dengan Y (nilai) adalah 0,767.

Tabel 10 Anova Jumlah Kehadiran dan Nilai Tugas Mahasiswa PGSD Tahun 2021/2022

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 3385.600 1 3385.600 22.911 .000a

Residual 2364.400 16 147.775

Total 5750.000 17

a. Predictors: (Constant), hadir

b. Dependent Variable: nilai

Tabel Anova digunakan untuk melihat signifikan model persamaan regresi. Untuk
melihat signifikan persamaan regresi dapat dilihat dari nilai F = 22,911 dan dibandingkan
dengan F tabel:
 Apabila nilai F < F tabel maka persamaan garis regresi tidak dapat digunakan
untuk prediksi
 Apabila nilai F > F tabel maka persamaan garis regresi dapat digunakan
untuk prediksi
Selain itu dapat pula dengan melihat nilai Sig. dapat digunakan untuk prediksi apabila
nilai Sig. < 0,05. Hasil perhitungan nilai Sig. = 0.000, artinya (<0,05), sehingga dapat
digunakan untuk memprediksi.
 Tabel 11 Coefficients Jumlah Kehadiran dan Nilai Tugas Mahasiswa PGSD Tahun2021/2022

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 4.200 14.383 .292 .774

hadir 11.040 2.306 .767 4.786 .000

a. Dependent Variable: nilai

Tabel Coefficients digunakan untuk persamaan garis regresi. Untuk membuat persamaan
garis regresi dapat dilihat dari kolom B.
Constan = 4,200 dan hadir = 11,040
Berarti persamaan garisnya adalah Y = 4,200 + 11,040 X.