MAKALAH TUGAS RUTIN

-STATISTIKA-
“ MAKALAH ANALISIS ASOSIATIF ”

DISUSUN OLEH :

NAMA : Bintang Arthur (5203111003)

Hafni Aprilia Sihite (5203111014)

Gloria V.E. Manurung (5203311003)

Ivo Berlian S Silitonga (5203111029)

KELAS : PTB A 2020

MATA KULIAH : Statistika

DOSEN PENGAMPU : Ibu Dr. Enny Keristiana Sinaga, S.Pd., M.Si.

UNIVERSITAS NEGERI MEDAN

FAKULTAS TEKNIK

S1-PENDIDIKAN TEKNIK BANGUNAN

2022
 PENGUJIAN HIPOTESIS ASOSIATIF
A. PENGERTIAN HIPOTESIS ASOSIATIF
Hipotesis asosiatif merupakan dugaan adanya hubungan antar variabel dalam populasi,
melalui data hubungan dalam sampel. Untuk itu, dalam langkah awal pembuktiannya, perlu
dihitung terlebih dulu koefisien korelasi antar variabel dalam sampel, kemudian koefisien
yang ditemukan tersebut diuji signifikansinya. Jadi menguji hipotesis asosiatif adalah menguji
koefisien korelasi yang ada pada sampel untuk diberlakukan pada seluruh populasi tempat
sampel diambil.
Analisis data asosiatif merupakan alat statistik yang digunakan untuk menguji hipotesis
asosiatif/hubungan, disebut juga dengan teknik korelasi. Teknik korelasi merupakan teknik
statistik yang digunakan untuk menguji ada/tidaknya hubungan dan arah dari dua variabel
atau lebih. Besar kecilnya hubungan antar variabel dinyatakan dalam bilangan yang disebut
koefisien korelasi (lambang: r, rxy atau ρ). Besarnya koefisien korelasi antara – 1 s/d +1.
Korelasi sempurna jika besarnya koefisien korelasi adalah -1 atau +1. Jika koefisien
korelasinya 0 atau mendekati 0, maka dianggap tidak ada hubungan antar variabel yang diuji.
Terdapat tiga macam 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 koefisien korelasi
antara variabel-variabel tersebut. Koefisien korelasi merupakan angka yang menunjukkan
arah dan kuatnya hubungan antar variabel. Arah hubungan dinyatakan dengan tanda positif
atau negatif, sedangkan kuatnya hubungan ditunjukkan dengan besarnya angka koefisien
korelasi yang besarnya berkisar antara 0 sampai dengan ± 1.
Hubungan positif antara dua variabel memberikan arti bahwa naiknya salah satu
variabel akan menyebabkan naiknya variabel yang satunya. Sedangkan hubungan yang
negatif mengandung arti bahwa ketika salah satu variabel nilainya naik maka variable yang
lain turun. Sebagai hubungan yang positif antara besarnya pendapatan dengan besarnya
belanja bulanan, mengandung arti bahwa ketika pendapatan naik, maka belanja bulanan juga
semakin naik. Sedangkan hubungan negatif terjadi misalnya dalam hubungan antara faktor
usia dengan daya ingat, yang berarti bahwa semakin bertambah usia seseorang maka daya
ingat akan semakin menurun.

Angka koefisien korelasi yang berkisar antara 0 sampai dengan ± 1 menujukkan

kuat/lemahnya hubungan kedua variabel tersebut. Koefisien korelasi +1 menunjukkan bahwa
antara kedua variabel tersebut terdapat hubungan positif sempurna. Sempurna disini
mengandung arti bahwa naik atau turunnya salah satu variabel bisa dijelasksn dengan variabel
yang lain dengan sepenuhnya tanpa kesalahan sedikit pun. Sedangkan koefisien korelasi
sebesar nol, berarti bahwa antara kedua variabel tersebut sama sekali tidak terdapat
hubungan. Artinya, naik atau turunnya variabel yang satu sama sekali tidak mempengaruhi
variabel yang lain. Namun, dalam kehidupan sosial, korelasi sebesar nol dan satu ini jarang
sekali terjadi (tidak akan pernah ada).

Dalam analisis statistik, besarnya koefisien korelasi bisa digambarkan dengan

penyebaran titik data dalam kurva X-Y. Gambar-gambar yang menunjukkan koefisien
korelasi adalah sebagai berikut :
Variabel Y

Variabel Y

Variabel Y

Variabel X Variabel X Variabel X

Gambar 2 Gambar 3
Gambar 1
Gambar 1 menunjukkan persebaran hubungan antara variabel X dan variabel Y yang tidak
menujukkan pola tertentu. Artinya, pada saat variabel X rendah, variabel Y bisa rendah
maupun tinggi. Demikian juga pada saat variabel X tinggi. Pola seperti ini menujukkan tidak
terdapat hubungan antara kedua variabel tersebut.
Gambar dua menujukkan ketika variabel X rendah maka variabel Y juga rendah. Pada saat
variabel X tinggi maka variabel Y juga tinggi. Hubungan seperti ini menunjukkan bahwa
ntara kedua variabel tersebut terdapat hubungan positif yang cukup kuat.
Gambar dua menujukkan ketika variabel X rendah maka variabel Y tinggi, dan pada saat
variabel X tinggi maka variabel Y rendah. Hubungan seperti ini menunjukkan bahwa antara
kedua variabel tersebut terdapat hubungan negatif yang cukup kuat.
Terdapat bermacam-macam teknik statistik korelasi yang dapat digunakan untuk
menguji hipotesis asosiatif. Teknik koefisien yang mana yang akan dipakai tergantung pada
jenis data yang dianalisis. Berikut adalah berbagai teknik statistik korelasi yang digunakan
untuk menguji hipotesis asosiatif. Uji korelasi untuk data interval dan rasio menggunakan
statistik parametrik, sedangkan uji korelasi untuk data nominal dan ordinal menggunakan
statistik nonparametrik.
Teknik Uji Hipotesis Asosiatif untuk berbagai skala data :

Skala data Teknik Uji Statistik

Interval/Ratio Pearson Product moment

Korelasi Ganda
Korelasi Parsial

Ordinal Korelasi Rank Spearman

Kendall Tau

Nominal Koefisien Kontigency

A.1 ANALISIS KORELASI

Korelasi merupakan hubungan antara dua buah variabel, jika nilai suatu variabel naik,
sedangkan nilai variabel yang lain turun, maka dikatakan terdapat hubungan negatif serta
sebaliknya. Korelasi yang biasa digunakan dalam penelitian adalah Korelasi Pearson
Product Moment. Korelasi ini dilakukan jika sepasang variabel kontinu, memiliki korelasi.
Jumlah pengamatan variabel X dan Y harus sama, atau kedua nilai variabel tersebut
berpasangan. Semakin besar nilai koefisien korelasinya maka akan semakin besar pula derajat
hubungan antara kedua variabel. Korelasi Pearson biasanya pada hubungan yang berbentuk
linier (keduanya meningkat atau keduanya menurun). Koefisien korelasi ini tidak
menunjukkan adanya hubungan kausal antar variabelnya

Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui

keeratan hubungan antara dua variabel dan untuk mengetahui arah hubungan yang terjadi.
Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang terjadi antara dua
variabel. Analisis korelasi sederhana dengan metode Pearson atau sering disebut Product
Moment Pearson. Nilai korelasi (r) berkisar antara 1 sampai -1, nilai semakin mendekati 1
atau -1 berarti hubungan antara dua variabel semakin kuat, sebaliknya nilai mendekati 0
berarti hubungan antara dua variabel semakin lemah. Nilai positif menunjukkan hubungan
searah (X naik maka Y naik) dan nilai negatif menunjukkan hubungan terbalik (X naik maka
Y turun).
Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi koefisien korelasi
sebagai berikut:
0,00 - 0,199 = sangat rendah
0,20 - 0,399 = rendah
 0,40 - 0,599 = sedang
0,60 - 0,799 = kuat
0,80 - 1,000 = sangat kuat
Koefisien korelasi adalah ukuran yang dipakai untuk mengetahui derajat hubungan
antara variabel-variabel (Sudjana, 2005: 367). Dalam analisis statistika, menentukan
ukuran korelasi merupakan hal yang penting karena hal ini bisa mengetahui kekuatan dan
arah hubungan antara variabel-variabel yang diteliti. Nilai korelasi itu
nilainya berada dalam interval 1  r  1 . Untuk nilai korelasi > 0 berarti memiliki
arah positif (+), untuk nilai korelasi 0 maka dapat diartikan tidak memiliki korelasi dan
arah serta untuk nilai korelasi < 0 berarti memiliki arah negatif (-). Maka semakin besar
nilai r semakin kuat pula hubungan korelasinya.

Metode statistika yang mempelajari tentang korelasi terdapat pada statistik

parametrik dan statistik nonparametrik. Dalam statistik parametrik, ukuran korelasi yang
bisa dipakai adalah koefisien korelasi product-moment Pearson. Statistik ini perlu
memerhatikan asumsi seperti pengukuran skala interval dan berdistribusi normal
bivariate. Sedangkan statistik nonparametrik tidak memerlukan asumsi tertentu tetapi data
minimal berskala ordinal. Korelasi yang termasuk nonparametrk seperti korelasi
Spearman, korelasi tau Kendall, korelasi ranking partial Kendall dan koefisien
konkordansi Kendall. Namun dalam hal ini yang akan dibahas adalah korelasi ranking
partial Kendall karena merupakan generalisasi dari koefisien korelasi tau Kendall (Siegel,
1992: 265).

1. Korelasi Sederhana Pearson

Digunakan apabila skala data variabel yang dihubungkan berbentuk data interval dan
rasio, berdistribusi normal serta mempunyai hubungan linear. Digunakan untuk dua
variabel, satu variabel bebas (X) dan satu variabel terikat (Y).
Contoh :
Penelitian dengan judul: “Hubungan Intensitas Belajar dengan Hasil Belajar Mata
Kuliah Statistik Inferensial”. Variabel X adalah Intensitas belajar (diukur dari lamanya
belajar dalam satu Minggu) dan variabel Y adalah hasil belajar Statistik Inferensial (diukur
dari nilai ujian semester). Diperoleh data sebagai berikut:
Mahasiswa Intensitas Belajar Hasil Belajar

1 50 75
 2 45 60
3 55 85
4 65 85
5 43 70
6 60 80
7 56 90
8 50 80
9 42 65
10 50 65

Langkah-langkah uji korelasi dengan SPSS sebagai berikut:

 Input data di atas ke dalam SPSS
 Pada kolom Name ketik X dan Y.
 Pada kolom Decimals angka ganti menjadi 0 untuk seluruh variabel.
 Pada kolom Label isikan Intensitas Belajar pada X dan Hasil Belajar pada Y.
 Pada kolom Align isikan Center.
 Pada kolom Measure isikan Scale pada X dan pada Y.
 Akan muncul kotak dialog Bivariate Correlations dan masukan semua variabel ke
dalam kotak di sebelah kanan.
  Pastikan checlist pilihan Pearson pada Correlation Coefficients. Pilih Two-tailed
pada Test of Significance dan berikan checklist pada Flag signifcant Corrections.
 Klik [OK]. Hasilnya sebagai berikut:
Correlations

Intensitas Hasil Belajar

Belajar

Pearson Correlation 1 ,770**

Intensitas Belajar Sig. (2-tailed) ,009

N 10 10

Pearson Correlation ,770** 1

Hasil Belajar Sig. (2-tailed) ,009

N 10 10

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

 Untuk pengambilan keputusan secara statistik, dapat menggunakan dua cara sebagai
berikut:
 Membandingkan koefisien korelasi pada output SPSS dengan nilai r pada tabel
Produck-Momment, dengan ketentuan:
1. Jika rhitung > ttabel terdapat hubungan
2. Jika rhitung < ttabel tidak terdapat hubungan
 Membandingkan nilai Sig pada output SPSS dengan nilai α (0,05) dengan kriteria
keputusan:
1. Jika Sig > 0,05 maka tidak terdapat hubungan
2. Jika Sig < 0,05 maka terdapat hubungan
2. Korelasi Parsial dan Korelasi Ganda
Korelasi parsial adalah korelasi yang digunakan untuk menguji hubungan dua atau lebih
variabel bebas dengan satu variabel terikat, dan salah satu variabelnya dibuat
tetap/konstan (dikendalikan). Tujuan dari korelasi parsial adalah supaya hubungan antara
kedua variabel tidak dipengaruhi faktor lain. Data yang digunakan adalah data interval
atau rasio.
Korelasi ganda termasuk dalam analisis multiple corelations digunakan untuk mencari
derajat keeratan dan arah hubungan antara dua atau lebih variabel bebas (X1, X2,....Xn)
terhadap variabel terikat (Y) secara bersamaan.
Contoh: Penelitian dengan judul: “Pengaruh Minat dan Intensitas Belajar dengan
Hasil Belajar Mata Kuliah Statistik Inferensial”. Variabel X1 adalah minat (diukur
menggunakan angket dengan skala Likert), variabel X2 adalah Intensitas belajar (diukur
dari lamanya belajar dalam satu Minggu) dan variabel Y adalah hasil belajar Statistik
Inferensial (diukur dari nilai ujian semester). Diperoleh data sebagai berikut:

Mahasiswa Minat Intensitas Belajar Hasil Belajar

1 45 50 75
2 30 45 60
3 40 55 85
4 35 65 85
5 32 43 70
6 43 60 80
7 34 56 90
8 42 50 80
9 40 42 65
10 50 50 65

Langkah-langkah uji korelasi parsial dengan SPSS sebagai berikut:

 Input data di atas ke dalam SPSS
 Pada kolom Name ketik X1, X2 dan Y.
 Pada kolom Decimals angka ganti menjadi 0 untuk seluruh variabel.
 Pada kolom Label isikan Minat pada X1, Intensitas Belajar pada X2 dan Hasil
Belajar pada Y.
 Pada kolom Align isikan Center.
 Pada kolom Measure isikan Ordinal pada X1, Scale pada X2 dan pada Y.  Untuk
kolom-kolom lainnya biarkan saja (isian default).

 Klik tab sheet [Variable View] pada SPSS data editor dan ketik/copy data sebagai
berikut:
 Selanjutanya klik [Analyze] > [Correlate] > [Partial].

 Akan terbuka kotak dialog Partial Correlations. Masukan variabel Hasil Belajar dan
Intensitas Belajar pada kotak Variables dan Minat ke dalam Controlling for (variabel
minat yang dikendalikan/ dibuat konstan).
 Dari output di atas diperoleh koefisien korelasi Zero-order (tanpa variabel kontrol)
sebesar 0,770, sedangkan setelah variabel Minat dikendalikan, nilai koefisien
korelasi menjadi sebesar 0,777. Jadi, terjadi peningkatan korelasi setelah adanya
variabel Minat yang dikendalikan atau dibuat tetap. Jadi kesimpulannya, jika Minat
belajar adalah sama, maka hubungan positif antara Intensitas Belajar dan Hasil
Belajar akan meningkat.
 Untuk menentukan signifikansi dapat dilihat dari output, dapat diketahui koefisien
korleasinya adalah 0,777 dengan Sig adalah 0,014. Ternyata Sig < 0,05 maka dapat
disimpulkan hubungan yang terjadi antara intensitas belajar dan hasil belajar adalah
signifikan.
Langkah-langkah uji korelasi parsial dengan SPSS sebagai berikut:
 Lakukan langkah-langkah seperti di atas (input data).
 Selanjutanya klik [Analyze] > [Regression] > [Linear].
 Akan terbuka kotak dialog Linear Regression, masukan variabel Hasil Belajar ke
dalam kotak Dependent dan variabel yang lainnya ke dalam kotak Independent.

 Klik [OK], hasilnya sebagai berikut:

Model Summary

Model R R Square Adjusted R Std. Error of the

Square Estimate

1 ,777a ,604 ,491 7,220

a. Predictors: (Constant), Intensitas Belajar, Minat

  Koefisien korelasi ganda (R) dapat dilihat pada output, bandingkan dengan nilai pada
tabel r kemudian tarik kesimpulan. Sedangkan untuk koefisien penentu/ determinasi
(KP) adalah pada kolom R Square = 0,604 [KP = R2 = (0,777)2.]

A.2 ANALISIS REGRESI

A. DEFENISI REGRESI

Regresi adalah suatu metode analisis statistik yang digunakan untuk melihat pengaruh
antara dua atau lebih banyak variabel.

Hubungan variabel tersebut bersifat fungsional yang diwujudkan dalam suatu model
matematis. Pada analisis regresi, variabel dibedakan menjadi dua bagian, yaitu variabel
respons (response variable) atau biasa juga disebut variabel bergantung (dependent variable),
dan variabel explanatory  atau biasa disebut penduga (predictor variable) atau disebut juga
variabel bebas (independent variable).

Regresi terbagi menjadi beberapa jenis, yaitu regresi sederhana (linier sederhana dan
nonlinier sederhana) dan regresi berganda (linier berganda atau nonlinier berganda).

Analisis ini juga digunakan untuk memahami variabel bebas mana saja yang berhubungan
dengan variabel terikat, dan untuk mengetahui bentuk-bentuk hubungan tersebut.

Analisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan
sebab-akibat antara satu variabel dengan variabel yang lain. Variabel "penyebab" disebut
dengan bermacam-macam istilah: variabel penjelas, variabel eksplanatorik, variabel
independen, atau secara bebas, variabel X (karena sering kali digambarkan dalam grafik
sebagai absis, atau sumbu X). Variabel terkena akibat dikenal sebagai variabel yang
dipengaruhi, variabel dependen, variabel terikat, atau variabel Y. Kedua variabel ini dapat
merupakan variabel acak (random), namun variabel yang dipengaruhi harus selalu variabel
acak.

B. DEFENISI ANALISIS REGRESI LINEAR SEDERHANA

Regresi linear sederhana adalah hubungan secara linear antara satu variable independen
(X) dengan variabel dependen (Y). Analisis ini digunakan untuk mengetahui arah hubungan
antara variabel independen dengan variabel dependen apakah positif atau negatif serta untuk
memprediksi nilai dari variabel dependen apabila nilai variabel independen mengalami
kenaikan atau penurunan nilai. Data yang digunakan biasanya berskala interval atau rasio.
 C. RUMUS ANALISIS REGRESI LINEAR SEDERHANA
Y’ = a + bX

Keterangan:

Y= subyek dalam variabel dependen yang diprediksi

a = harga Y ketika harga X= 0 (harga konstan)

b = angka arah atau koefisien regresi, yang menunjukkan angka peningkatan ataupun
penurunan variabel dependen yang didasarkan pada perubahan variabel independen. Bila (+)
arah garis naik, dan bila (-) maka arah garis turun.

X = subyek pada variabel independen yang mempunyai nilai tertentu.

Secara teknik harga b merupakan tangent dari perbandingan antara panjang garis
variabel dependen, setelah persamaan regresi ditemukan.

Jika harga b merupakan fungsi dari koefisien korelasi. Bila koefisien korelasi tinggi,
maka harga b juga besar, sebaliknya bila koefisien korelasi rendah maka harga b juga rendah
(kecil). Selain itu bila koefisien korelasi negatif maka harga b juga negatif, dan sebaliknya
bila koefisien korelasi positif maka harga b juga positif.
 Selain itu harga a dan b dapat dicari dengan rumus berikut:

D. CONTOH KASUS ANALISIS REGRESI LINEAR SEDERHANA

Seorang pengusaha bernama Andrianto ingin meneliti tentang pengaruh biaya promosi
terhadap volume penjualan pada perusahaan minyak wangi. Dari pernyataan tersebut
didapatvariabel dependen (Y) adalah volume penjualan dan variabel independen (X) adalah
biaya promosi. Data-data yang didapat ditabulasikan sebagai berikut:

N Biaya Volume
o Promosi Penjualan

1 12 56

2 14 62

3 13 60

4 12 61

5 15 65

6 13 66

7 14 60

8 15 63

9 13 65
 10 14 62

Langkah :

 Buka file : korelasi & regresi

 Klik Analyze, klik Regression, dan klik linier
 Klik dan pindahkan volume penjualan ke kotak dependent dan biaya promosi ke
kotak independent dengan mengetik tanda ►
 Klik statistics pilih estimates, model fit, dan descriptive.
 Klik continue
 Klik plots
 Pada standardized residual plots, pilih histogram dan normal probability plot.
 Klik continue dan klik OK.

Output pada SPSS dapat dilihat sebagai berikut:

Dari hasil perhitungan didapatkan:

Y= a + bx

Konstanta (a) = 45.286; Koefisien Regresi (b) = 1,238; dan t hitung = 1.419

Selanjutnya yaitu menganalisis signifikansi pengaruh variabel independen dengan variabel

dependen. Jika ditetapkan hipotesis sebagai berikut:

Ho :Tidak ada pengaruh secara signifikan antara biaya promosi dengan volume penjualan

Ha : Ada pengaruh signifikan antara biaya promosi dengan volume penjualan

Dengan menggunakan tingkat signifikansi 5%, pengujian 2 sisi, dan derajat kebebasan (df) =
n-k-1 = 10-1-1 = 8 (dimana n = jumlah data, k = jumlah variabel independen) maka diperoleh
t tabel sebesar 2.30600. (dapat dilihat pada Ms Excel dengan mengetikkan “=tinv(0,05;8)”
lalu tekan Enter).
Karena t hitung < t tabel, maka Ha diterima. Kesimpulannya, terdapat pengaruh yang
signifikan antara biaya promosi dengan volume penjualan. Dikutip dari :
(https://fatkhan.web.id/contoh-kasus-uji-regresi-linear-sederhana/)

E. Defenisi Analisis Regresi Linear Berganda

Linear berganda ialah jenis regresi yang mengaitkan satu variabel Y terhadap dua atau
lebih variabel X dengan jenis data kuantitatif. Misalkan, pengaruh jumlah camilan yang
dikonsumsi terhadap tinggi dan berat badan.

Sebagai contoh, kita dapat melihat hubungan antara biaya periklanan (X) dan hasil
penjualan (Y). Menurut perkiraan hubungan tersebut sangat mungkin, bisa jadi periklanan
bukanlah satu-satunya penentu tinggi rendahnya hasil penjualan. Selain biaya periklanan bisa
saja terdapat variabel lain yang dapat memengaruhi hasil penjualan.

F. Rumus Analisis Regresi Linear Berganda

Y = a + b1X1 + b2X2 + … + e

Y = variabel dependen

X = variabel independen

a = konstanta (titik potong Y)

b = koefisien dari variabel X (koefisien determinasi)

e = eror atau residu

G. Contoh Kasus Analisis Regresi Linear Berganda

Dalam suatu penelitian yang dilakukan terhadap 10 rumah tangga yang diilih secara acak,
diperoleh data pengeluaran untuk pembelian barang-barang tahan lama per minggu (Y),
pendapatan per minggu (X1), dan jumlah anggota rumah tangga (X2) sebagai berikut:
Seandainya suatu rumah tangga mempunyai X1 dan X2, masing-masing 11 dan 8. Berapa
besarnya nilai Y. Artinya, berapa ratus rupiah rumah tangga yang bersangkutan akan
mengeluarkan biaya untuk pembelian barang-barang tahan lama ?
Penyelesaian :
Langkah pertama adalah mengolah data diatas menjadi sebagai berikut:
 Dari hasil penghitungan diatas model regresi linier berganda dapat dituliskan sebagai
berikut:
Yˆ = 5,233 + 3,221X1 + 0,451X2 
Dari model diatas dapat disimpulkan bahwa setiap kenaikan pendapatan per minggu
sebesar Rp1000 maka akan menaikkan pengeluaran untuk pembelian barang-barang tahan
lama per minggu sebesar Rp322,1 dengan asumsi jumlah anggota rumah tangga
konstan/tetap.

Demikian juga, jika jumlah anggota rumah tangga bertambah 1 orang maka akan
menaikkan pengeluaran untuk pembelian barang-barang tahan lama per minggu sebesar
Rp45,1 dengan asumsi pendapatan per minggu konstan/tetap.

Yˆ = 5,233 + 3,221X(11)+ 0,451X(8)

Yˆ = 44,272
Ketika suatu rumah tangga memiliki pendapatan perminggu sebesar Rp11.000 dengan
anggota rumah tangga sebanyak 8 orang maka pengeluaran untuk pembelian barang-barang
tahan lama per minggu sebesar Rp4.427,2 (nilai Yˆ dikali 100).

H. Defenisi Analisis Regresi Logistic

Analisis regresi logistik adalah metode regresi yang menggambarkan hubungan antara
beberapa variabel independen (explanatory) dengan sebuah variabel respon dikotomus atau
biner. Variabel respon (Y) pada metode regresi logistik dikatakan biner karena terdiri atas
dua kategori yaitu 0 dan 1.( Buana, Indira Swa & Mahendrawathi & Iriawan Nur, 2010: 245 )
Analisis regresi logistik biner bertujuan untuk memperoleh hubungan antara Xi dan Pi
(probabilitas kejadian yang diakibatkan oleh xi). Berapapun nilai x bila disubtitusikan ke
dalam fungsi logistik hasilnya akan berkisar antara 0 dan 1.
 I. Rumus Analisis Regresi Logistic
Beberapa contoh bentuk umum regresi non linear dituliskan sebagai berikut.

1. Regresi berbentuk eksponensial: Y = aebX

2. Regresi berbentuk pangkat: Y = aXb
3. Regresi berbentuk polinomial: Y = a0 + a1X + … +anXn

J. Contoh Kasus Analisis Regresi Logistic

Berikut ini merupakan data penghasilan dan pengeluaran suatu keluarga.

No. Penghasilan (juta rupiah) Pengeluaran (juta rupiah)

1 19 10

2 14 8

3 14 7

4 10 7

5 13 8

6 16 9

7 7 4

8 11 6

Tentukan persamaan regresi berdasarkan data tersebut.

Pembahasan:

Perhatikan tabel berikut.

X Y X2 Y2 XY

19 10 361 100 190

 14 8 196 64 112

14 7 196 49 98

10 7 100 49 70

13 8 169 64 104

16 9 256 81 144

7 4 49 16 28

11 6 121 36 66

104 59 1448 459 812

Nilai b dan a ditentukan sebagai berikut.

sehingga persamaan regresinya yaitu: Y = 1,128125 + 0,46875X.

(https://rumuspintar.com/regresi/)