MATA KULIAH STATISTIK TERAPAN

REGRESI DAN KORELASI

OLEH KELOMPOK 2
ANGGOTA :

1. Aprisal C10222018
2. Andi Jamil Zainal C10222019
3. Hertasming C10222020
4. Mawaddah C10222021
5. Evi Yanti C10222022
6. Hamka C10222023
7. Muh. Ari Gunawan S. C10222024
8. Serius Pahu’u C10222025
9. Santi C10222026
10. Irmawati C10222027

Program Studi Magister Perencanaan Wilayah Perdesaan

Pascasarjana Universitas Tadulako
Tahun 2022
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Teknik regresi membuat prediksi nilai dengan nilai yang ada pada suatu
variabel (variabel independen) pada variabel yang lain (variabel dependen).
Analisis regresi digunakan untuk melihat pengaruh variabel predictor (variabel
yang digunakan untuk memprediksi) terhadap variabel kriterium (variabel yang
diprediksi) dengan terlebih dahulu melihat pola hubungan variabel tersebut. Hal
ini dapat dilakukan melalui dua pendekatan yaitu pendekatan parametrik dan
pendekatan nonparametrik. Pendekatan yang paling umum dan seringkali
digunakan adalah pendekatan parametrik. Pendekatan parametrik mengasumsikan
bahwa bentuk model yang sudahditentukan (Hardle, 1994).
Kata “korelasi” berasal dari bahasa Inggris correlation. Dalam bahasa
Indonesia sering kali diterjemahkan dengan : ”hubungan” atau “saling hubungan”
atau “hubungan timbal-balik”. Dalam Ilmu Statistik “korelasi” diberi pengertian
sebagai “hubungan antara dua variabel atau lebih”. Hubungan antara dua variabel
dikenal dengan istilah “bivariate correlation”, sedangkan hubungan antara lebih
dua variabel disebut “multivariate correlation”.
Penelitian korelasi berkaitan dengan pengumpulan data yang bertujuan
untuk menentukan ada atau tidaknya hubungan antara dua variabel atau lebih dan
seberapakah tingkat hubungannya (tingkat hubungan dinyatakan sebagai suatu
koefisien korelasi).
1.2 Rumusan Masalah
a. Bagaimana konsep Regresi dan Korelasi ?
b. Apa saja metode yang digunakan dalam Regresi dan Korelasi ?
 BAB II
RUMUSAN TEORI

2.1 Pengertian Regresi

Berikut ini adalah beberapa pendapat para ahli mengenai regresi dan
pengertian regresi secara umum.
a. Menurut Para Ahli
1) Menurut Danang Sunyoto (2013:47) tujuan dari analisis regresi adalah
untuk mengetahui besarnya pengaruh variabel bebas (X) terhadap
variabel terikat (Y).
2) Menurut Fancis Galton, analisis regresi berkenaan dengan studi
ketergantungan dari suatu variabel yang disebut variabel tak bebas
(dependent variable), pada satu atau variabel yang menerangkan
dengan tujuan untuk memperkirakan ataupun meramalkan nilai-nilai
dari variabel tak bebas apabila nilai variabel yang menerangkan sudah
diketahui.
3) Menurut Gujarati, analisis regresi pada dasarnya adalah studi mengenai
ketergantungan variabel dependen (terikat) dengan satu atau lebih
variabel independen (variabel penjelas/bebas), dengan tujuan untuk
mengestimasi dan/atau memprediksi rata-rata populasi atau nilairata-
rata variabel dependen berdasarkan nilai variabel independen yang
diketahui (Ahmad Wira, 2014).
b. Secara Umum
Istilah regresi pertama kali dalam konsep statistik digunakan oleh Sir
Francis Galton dimana yang bersangkutan melakukan kajian yang
menunjukkan bahwa tinggi badan anak-anak yang dilahirkan dari para
orang tua yang tinggi cenderung bergerak (regress) kearah ketinggian rata-
rata populasi secara keseluruhan. Galton memperkenalkan kata regresi
(regression) sebagai nama proses umum untuk memprediksi satu variabel,
yaitu tinggi badan anak dengan menggunakan variabel lain, yaitu tinggi
badan orang tua. Pada perkembangan berikutnya hukum Galton mengenai
 regresi ini ditegaskan lagi oleh Karl Pearson dengan menggunakan data
lebih dari seribu. Pada perkembangan berikutnya, para ahli statistik
menambahkan isitilah regresi berganda (multiple regression) untuk
menggambarkan proses dimana beberapa variabel digunakan untuk
memprediksi satu variabel lainnya. Analisis regresi adalah suatu metode
analisis data yang menggambarkan hubungan fungsional antara variabel
respon dengan satu atau beberapa variabel prediktor
(Universitas Lampung, 2012).
Jenis-Jenis Regresi
c. Regresi Linier
1) Regresi Linier Sederhana
Analisis regresi linier sederhana digunakan untuk mendapatkan
hubungan matematis dalam bentuk suatu persamaan antara variabel tak
bebas dengan variabel bebas tunggal.
Regresi linier sederhana hanya memiliki satu perubahan regresi
linier untuk populasi yaitu:

Y= a + bx .............................................................................. (2.1)

Dengan :
Y = Subyek dalam variabel dependen yang diprediksikan
X = Subyek pada variabel independen yang mempunyai nilai tertentu.
a = Parameter intercept
b = Parameter koefisien regresi variabel bebas
Contoh kasus:
Seorang engineer ingin mempelajari hubungan antara suhu ruangan
dengan jumlah cacat yang diakibatkannya, sehingga dapat memprediksi
atau meramalkan jumlah cacat produksi jika suhu ruangan tersebut
tidak terkendali. Engineer tersebut kemudian mengambil data selama
30 hari terhadap rata-rata (mean) suhu ruangan dan jumlah cacat
produksi (Sugiyono, 2006).
 2) Regresi Linier Berganda
Analisis regresi linier berganda ini digunakan untuk memprediksi
berubahnya nilai variabel tertentu bila variabel lain berubah. Dikatakan
regresi berganda, karena jumlah variabel bebas (independent) sebagai
prediktor lebih dari satu, maka digunakan
persamaan regresi linier berganda dengan rumus, sebagai berikut:

Ŷ =α0 + α1x1 + … + αkxk ...............................................................................................(2.2)

Dimana
Ŷ = variabel tidak bebas (dependen)
α0, … , αk = koefisien regresi
x1, … , xk = variabel bebas (independen)
d. Regresi Non Linier
Regresi non linier adalah suatu metode untuk mendapatkan model non
linier yang menyatakan variabel dependen dan independen. Apabila
hubungan fungsi antara variabel bebas X dan variabel tidak bebas Y
bersifat non linier, tansformasi bentuk nonlinier ke bentuk linier. Untuk
mendapatkan linieritas dari hubungan non linier, dapat dilakukan
transformasi pada variabel dependen atau variabel independen atau
keduanya (Syahriani dkk, 2014).
1) Model Parabola
Bentuk di sini agak sedikit berbeda dengan model linier, di mana garis
persamaannya merupakan garis lengkung (cembung). Digunakan pada
misalnya dalam belajar, penambahan jam pelajaran maupun jumlah
mata kuliah untu satu semester. Tidak selamanya penambahan jumlah
jam belajar akan menaikkan hasil belajar.

Yˆ  a  b. X  c. X 2 ...............................................................................................................................................(2.3)

Dimana:
Ŷ = variabel tidak bebas (dependen)
X = variabel bebas (independen)
a, b, c = konstanta
2) Model Hiperbola
Pada regresi hiperbola, dimana variabel bebas X atau variabel tak bebas
Y, dapat berfungsi sebagai penyebuit sehungga regresi ini disebut
regresi dengan fungsi pecahan.
Persamaan regresi hiperbola ada dua model yaitu :
a) Y = 1/(a+bX) dimana garis persamaan akan memotong sumbu Y,
ini berarti bahwa nilai X ada yang negatif, atau bahkan keduanya
(nilai X maupun Y) sama-sama negatif.
b) Y = a+ b/X dimana garis persamaannya akan memotong sumbu X,
ini berarti bahwa dalam persamaan ini penyebaran nilai Y ada
yang negatif.

Y = 1/(a+bX) ........................................................................ (2.4)

Y= a+ b/X ............................................................................. (2.5)

Dimana
Ŷ = variabel tidak bebas (dependen)
X = variabel bebas (independen)
a, b = konstanta
3) Model Fungsi Pangkat
Pada regresi Model fungsi pangkat ini tidak jauh berbeda dengan model
parabola namun perhitungannya lebih panjang daripada model
parabola, tetapi langkahnya tidak jauh berbeda.

Yˆ  a  b. X  c. X 2  d.X 3 .................................................................................................... (2.6)

Dimana
Ŷ = variabel tidak bebas (dependen)
X = variabel bebas (independen)
a, b, c,d = konstanta
 4) Model Geometrik
Regresi geometrik adalah salah satu regresi nonlinier yang dapat
ditransformasikan ke model linier. Tulisan ini mengkaji tentang
statistik uji dari pengujian kesamaan beberapa model regresi
geometri.

Yˆ  a .X b............................................................................................................................................................................................................................(2.7)

Dimana
Ŷ = variabel tidak bebas (dependen)
X = variabel bebas (independen)
a, b, = konstanta
e. Regresi Eksponensial
Regresi Eksponensial digunakan untuk menentukan fungsi eksponensial
yang paling sesuai dengan kumpulan titik data (x n. ,y n. ) yang
diketahui. Regresi Eksponensial merupakan pengembangan dari regresi
linier dengan memanfaatkan fungsi logaritmik.
Persamaan regresi eksponensial:

Yˆ  a .b X........................................................................................................... (2.8)

Dimana
Ŷ = variabel tidak bebas (dependen)
X = variabel bebas (independen)
a, b = konstanta
f. Regresi Dummy
Variabel dummy adalah variabel yang digunakan untuk mengkuantitatifkan
variabel yang bersifat kualitatif (misal: jenis kelamin, ras, agama,
perubahan kebijakan pemerintah, perbedaan situasi dan lain- lain). Variabel
dummy hanya mempunyai 2 (dua) nilai yaitu 1 dan nilai 0, serta diberi
simbol D. D = 1 untuk suatu kategori (wanita, Batak, Islam, damai dan
sebagainya). D = 0 untuk kategori yang lain (pria, Jawa, Kristen, perang
dan sebagainya). Variabel dummy digunakan sebagai upaya untuk melihat
 bagaimana klasifikasi-klasifikasi dalam sampel berpengaruh terhadap
parameter pendugaan. Variabel dummy juga mencoba membuat
kuantifikasi dari variabel kualitatif.
Model Dummy Intersep

Y = a + bX + c D1 ...................................................................... (2.9)

Model Dummy Slope)

Y = a + bX + c (D1X).................................................................. (2.10)

Kombinasi

Y = a + bX + c (D1X) + d D1 ..................................................... (2.11)

Dimana
Ŷ = variabel tidak bebas (dependen)
X = variabel bebas (independen)
a, b,c = konstanta
D = konstanta Dummy
g. Regresi Logistik
Pada prinsipnya, regresi logistik mempunyai tujuan untuk memperkirakan
besarnya probabilitas kejadian tertentu di dalam suatu populasi sebagai
suatu fungsi eksplanatori, misalnya untuk mengetahui peluang kejadian
kebakaran di kawasan taman nasional X pada kondisi wilayah tertentu dan
faktor apa saja yang berpengaruh signifikan terhadap kejadian kebakaran
di sana. Regresi ini menggunakan variabel respon/terikat berbentuk
dummy. Tidak seperti regresi linier biasa, penggunaan regresi logistik
memiliki kelebihan dalam hal pelanggaran beberapa asumsi yang harus ada
pada regresi linier biasa seperti asumsi kenormalan dan homokedastisitas.
Estimasi nilai Y juga terletak pada range yang sangat luas (dapat berada di
luar interval 0-1). Dengan demikian secara matematis penggunaan regresi
logistik menjadi lebih mudah digunakan.
Persamaan regresi logistik:
 …………………………………………………………..(2.12)

Dimana
Ŷ = variabel tidak bebas (dependen)
X = variabel bebas (independen)
a, b = konstanta
2.1 Pengertian Korelasi
Berikut ini adalah beberapa pendapat para ahli mengenai korelasi dan
pengertian korelasi secara umum.
h. Menurut Para Ahli
1) Menurut Gay dalam Sukardi (2004:166) penelitian korelasimerupakan
salah satu bagian penelitian ex–postfacto karena biasanya peneliti tidak
memanipulasi keadaan variabel yang ada dan langsungmencari
keberadaan hubungan dan tingkat hubungan variabel yang direfleksikan
dalam koefisien korelasi.
2) Menurut Faenkel dan Wallen, penelitian korelasi atau korelasional
adalah suatu penelitian untuk mengetahui hubungan dan tingkat
hubungan antara dua variabel atau lebih tanpa ada upaya untuk
mempengaruhi variabel tersebut sehingga tidak terdapat manipulasi
variabel
3) Menurut Mc Millan dan Schumacher, adanya hubungan dan tingkat
variabel ini penting karena dengan mengetahui tingkat hubungan yang
ada, peneliti akan dapat mengembangkannya sesuai dengan tujuan
penelitian. Jenis penelitian ini biasanya melibatkan ukuran
statistik/tingkat hubungan yang disebut dengan korelasi.
(Ahmad Wira, 2014).
a. Secara Umum
Korelasi adalah metode untuk mengetahui tingkat keeratan hubungan
antara dua peubah atau lebih yang digambarkan oleh besarnya korelasi.
Koefisien korelasi adalah koefisien yang menggambarkan tingkat keeratan
 hubungan antar dua peubah atau lebih. Besaran dari koefisien korelasi tidak
menggambarkan hubungan sebab akibat antara dua peubah (lebih) tapi
semata-mata menggambarkan keterlibatan linier antar peubah. Nilai
koefisien korelasi berkisar antara (-1) sampai 1
1) Nilai -1 berarti terdapat hubungan negatif (berkebalikan) yang
sempurna.
2) Nilai 0 berarti tidak terdapat hubungan sama sekali.
3) Nilai 1 berarti terdapat hubungan positif yang sempurna.
(Ahmad Wira, 2014).
2.2 Jenis-Jenis Korelasi
a. Korelasi Linier (Bivariat)
Korelasi sederhana digunakan untuk mengetahui hubungan di antara dua
variabel, dan jika ada hubungan, bagaimana arah hubungan tersebut.
Keeratan hubungan antara satu variabel dengan variabel yang lain biasa
disebut dengan Koefisien Korelasi yang ditandai dengan “r“. Adapun
rumus “r” adalah:
Dimana :
r = nilai koefisien korelasi
𝑁(∑ 𝑥𝑦)−(∑ 𝑥 ∑ 𝑦)
𝑟= 2 2 1/2
……………………………….(2.23)
{(𝑁 ∑ 𝑥2−(∑ 𝑥) )(𝑁 ∑ 𝑦2−(∑ 𝑦) )}

x = nilai variabel pertama

y = nilai variabel kedua
N = jumlah data (Suparto, 2014).
b. Korelasi Linier Berganda (Multivariat)
Analisis korelasi berganda digunakan untuk mengetahui derajat atau
kekuatan hubungan antara variabel X, dan Y . Korelasi yang digunakan
adalah korelasi ganda dengan rumus:

Dimana :
𝐽𝐾(𝑟𝑒𝑔)
𝑅2 = ……………………………………………..………….(2.24)
∑ 𝑌2
 R2 = Koefisien korelasi ganda
JK(reg) = Jumlah kuadrat regresi dalam bentuk deviasi
∑ 𝑌2 = Jumlah kuadrat total korelasi dalam bentuk deviasi
Dari nilai koefisien korelasi (R) yang diperoleh didapat hubungan – 1 <
R < 1 sedangkan harga untuk masing-masing nilai R adalah :
1) Apabila R = 1, artinya terdapat hubungan antara variabel X dan Y
semua positif sempurna.

2) Apabila R = –1, artinya terdapat hubungan antara variabel X dan Y

negatif sempurna.
3) Apabila R = 0, artinya tidak terdapat hubungan antara X dan Y.
4) Apabila nilai R berada diantara –1 dan 1, maka tanda negatif (–)
menyatakan adanya korelasi tak langsung atau korelasi negatif dan
tanda positfi (+) menyatakan adanya korelasi langsung atau korelasi
positif .
Interprestasi terhadap kuatnya hubungan korelasi berpedoman pada
pendapat oleh Sugiyono (2008:183) sebagai berikut :
Tabel 2.11 Pedoman untuk memberikan Interpretasi Koefisien Korelasi
Interval Koefisien Tingkat Hubungan

0,00-0,19 Sangat Rendah

0,20-0,39 Rendah
0,40-0,59 Sedang
0,60-0,79 Kuat
0,80-1,00 Sangat Kuat

(Dedi Suwarsito Pratomo, 2015)

c. Korelasi Pearson
Korelasi Pearson Product Moment, yang merupakan pengukuran
parametrik, akan menghasilkan koefisien korelasi yang berfungsi untuk
mengukur kekuatan hubungan linier antara dua variable. Jika hubungan
dua variable tidak linier, maka koefisien korelasi pearson tersebut tidak
mencerminkan kekuatan hubungan dua variable yang sedang diteliti;
meski kedua variable mempunyai hubungan kuat. Symbol untuk korelasi
Pearson adalah “p” jika diukur dalam populasi, dan “r” jika diukur dalam
sampel. Korelasi pearson mempunyai jarak antara -1 sampai dengan +1.
Jika koefisiean korelasi adalah -1, maka kedua variable yang diteliti
mempunyai hubungan linier sempurna negative. Jika koefisien korelasi
adalah +1, maka kedua variabel yang diteliti mempunyai hubungan linier
sempurna positif. Jika koefisien korelasi menunjukkan angka 0, maka tidak
terdapat hubungan antara dua variabel yang dikaji. Jika hubungan
dua variabel linier sempurna, maka sebaran data tersebut akan membentuk
garis lurus. Sekalipun demikian, pada kenyataannya kita akan sulit
menemukan data yang dapat membentuk garis linier sempurna. Data yang
digunakan dalam korelasi Pearson sebaiknya memenuhi persyaratan,
diantaranya ialah :
1) Berskala interval / rasio
2) Variabel X dan Y harus bersifat independen satu dengan lainnya
3) Variabel harus kuantitatif simetris
Asumsi dalam korelasi Pearson diantaranya adalah :
1) Terdapat hubungan linier antara X dan Y
2) Data berdistribusi normal
3) Variabel X dan Y simetris. Variabel X tidak berfungsi sebagai
variabel bebas dan Y sebagai variabel tergantung
4) Sampling representative
5) Varian kedua variabel sama
(Jonathan Sarwono, 2006).
Rumus momen produk Pearson :
𝑁 ∑ 𝑥𝑦−(∑ 𝑥)(∑ 𝑦)
𝑟𝑥𝑦 = ……………………………….(2.25)
√[𝑁 ∑ 𝑥2+(∑ 𝑥)2][𝑁 ∑ 𝑦2+(∑ 𝑦)2]
 Dimana :
rxy = Koefisien korelasi
X = Jumlah skor tiap item
Y = Jumlah total skor seluruh item
N = Jumlah responden
(Ichwanul Jaya, 2014).
d. Korelasi Rank Spearman
Jika pengamatan dari 2 variabel X dan Y adalah dalam bentuk skala
ordinal, maka derajat korelasi dicari dengan koefisien korelasi Spearman.
Prosedurnya terdiri atas :
1) Atur pengamatan dari kedua variabel dalam bentuk ranking
2) Cari beda dari masing-masing pengamatan yang sudah berpasangan
3) Hitung koefisien korelasi Spearman dengan rumus

𝜌 = 1 = 6 ∑ 𝑑12 /𝑁3 − 𝑁………………………………………....(2.26)

Dimana :
d1 = beda antara 2 pengamatan berpasangan
N = total pengamatan
𝜌 = koefisien korelasi spearman

e. Korelasi Parsial
Korelasi parsial (Partial Correlation) digunakan untuk mengetahui
hubungan antara dua variabel dimana variabel lainnya yang dianggap
berpengaruh dikendalikan atau dibuat tetap (sebagai variabel kontrol).
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).
 Data yang digunakan biasanya berskala interval atau rasio
(Adhika, 2015).
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
Rumus sederhana untuk menghitung korelasi parsial :

rX 2Y  (rX 2 X1 )(rYX 1 ) ..................................................

RX2Y.X1 = (2.28)
1 r 2 X 2 X 1 1 r 2YX 1

Keterangan :
rX2Y : koefisien korelasi
N : jumlah responden
X : skor variabel x
Y : skor variabel y
Notasi : rX2Y.X1 : korelasi parsial X2 dengan Y sedangkan X1
dikontrol dengan :

rX2Y – (rX2X1)(rYX1) ................................................................. (2.29)

Menggabungkan korelasi korelasi sederhana, dimulai dengan r untuk X 2

dan Y, korelasi sebelum X1 dikontrol; kemudian dikeluarkan (dikurangi)
korelasi X1 dengan Y dan X2 (rX2X1 dan rYX1).
√(𝐴+𝐵)(𝐶+𝐷)(𝐴+𝐶)(𝐵+𝐷)

2.3 Hubungan Koefisien Regresi dan Korelasi

Koefisien regresi baku (Standaridzed regression coefficient): nilai
statistik dalam regresi linier yang menggambarkan kekuatan dan arah
hubungan linier (linear association) antara variabel tergantung (kriteria) dan
variabel bebas (prediktor). Nilai ini disebut baku karena kisaran nilainya
antara -1 sampai dengan 1. Jika nilainya semakin mendekati 1 maka hal
tersebut menunjukkan hubungan antara kedua variabel semakin kuat dengan
mengabaikan apakah positif atau negatif. Dengan demikian variabel bebas
akan semakin kuat untuk digunakan memprediksi variabel tergantung.
Karena prediktor – prediktor sudah distandarisasi maka hal tersebut
memungkinkan untuk membandingkan kekuatan relatif hubungan atau bobot
mereka dengan variabel tergantungnya. Jika tidak terdapat tanda (positif atau
negatif), maka diinterpretasikan hubungan kedua variabel positif. Hubungan
positif bermakna jika nilai pada prediktor tinggi, maka nilai pada variabel
tergantung juga tinggi. Sebaliknya jika terdapat tanda negatif, maka hubungan
kedua variabel tersebut negatif. Hubungan negatif mempunyai makna jika
jika nilai pada prediktor tinggi, maka nilai pada variabel tergantung rendah.
Koefesien dengan nilai sebesar 0,50 mempunyai makna bahwa untuk setiap
kenaikan simpangan baku pada nilai prediktor, maka simpangan baku pada
variabel tergantungnya naik sebesar 0,5.
Koefesien regresi baku dapat diubah menjadi koefesien regresi yang
tidak baku dengan cara mengkalikan koefesien regresi baku dengan deviasi
standar (SD) variabel tergantung dan membaginya dengan deviasi standar
prediktornya. Jika dirumuskan akan menjadi:

SD variabel tergantung
Koefisien regresi tidak baku = Koefisien regresi baku X (2.38)
SD variaebel bebas

Dimana :
SD variabel tergantung = Standar Deviasi variabel tergantung
SD variabel bebas = Standar Deviasi variabel bebas
Koefisien regresi tidak baku (Unstandaridzed regression coefficient):
koefesien yang belum distandarisasi yang mempunyai nilai acak dan tidak
terbatas lawan dari koefisien yang distandarisasi dengan nilai ± 1. Prediktor
tertentu yang diukur dalam unit dengan nilai – nilai yang lebih besar akan
terdapat kemungkinan mempunyai koefesien regresi parsial yang tidak baku
yang lebih besar daripada prediktor tertentu yang diukur dalam unit nilai yang
 lebih kecil. Oleh karena itu, kita akan kesulitan membandingkan bobot relatif
prediktor – prediktor tersebut saat mereka tidak diukur dengan menggunakan
skala atau ukuran yang sama. Koefesien regresi tidak baku dapat diubah
menjadi koefesien baku dengan cara mengkalikan koefesien regresi tidak
baku dengan deviasi standar variabel bebas dengan dibagi oleh
deviasi standar variabel tergantungnya.

Koefisien regresi baku = Koefisien regresi tidak baku × …….(2.39)

Dimana :
SD variabel tergantung = Standar Deviasi variabel tergantung
SD variabel bebas = Standar Deviasi variabel bebas
(Sarwono, 2006).
2.4 Tabel R
a. Definisi
Tabel r digunakan dalam rangka pengujian statistik, misalnya untuk
pengujian validitas konstruk. Tabel r ini biasanya terdapat pada lampiran
buku-buku Statistika.
Untuk menghitung nilai r tabel harus terlebih dahulu menghitung nilai
t tabel. Hal ini karena nilai t tabel dihasilkan dari rumus sebagai berikut:

𝑟= …………………………………………………………(2.40)

Dimana: r = nilai r tabel

t = nilai t tabel dandf = derajat
bebas (Junaidi, 2015).
Tabel 2.23 Tabel R
Tingkat Signifikansi untuk tes satu sisi
df 0,050 0,025 0,010 0,005
Tingkat Signifikansi untuk tes dua sisi
0,100 0,050 0,020 0,010
1 0,988 0,997 0,9995 0,9999
2 0,900 0,950 0,980 0,990
3 0,805 0,878 0,934 0,959
4 0,729 0,811 0,882 0,917
5 0,669 0,754 0,833 0,874
6 0,622 0,707 0,789 0,834
7 0,582 0,666 0,750 0,798
8 0,549 0,632 0,716 0,765
9 0,521 0,602 0,685 0,735
10 0,497 0,576 0,658 0,708
11 0,476 0,553 0,634 0,684
12 0,458 0,532 0,612 0,661
13 0,441 0,514 0,592 0,641
14 0,426 0,497 0,574 0,623
15 0,412 0,482 0,558 0,606
16 0,400 0,468 0,542 0,590
17 0,389 0,456 0,528 0,575
18 0,378 0,444 0,516 0,561
19 0,369 0,433 0,503 0,549
20 0,360 0,423 0,492 0,537
21 0,352 0,413 0,482 0,526
22 0,344 0,404 0,472 0,515
23 0,337 0,396 0,462 0,505
24 0,330 0,388 0,453 0,496
25 0,323 0,381 0,445 0,487
26 0,317 0,374 0,437 0,470
27 0,311 0,367 0,430 0,471
28 0,306 0,361 0,423 0,463
29 0,301 0,355 0,416 0,456
30 0,296 0,349 0,409 0,449
35 0,275 0,325 0,381 0,418
40 0,257 0,304 0,358 0,393
45 0,243 0,288 0,338 0,372
50 0,231 0,273 0,322 0,354
60 0,211 0,250 0,295 0,325
70 0,195 0,232 0,274 0,303
80 0,183 0,217 0,256 0,283
90 0,173 0,205 0,242 0,267
100 0,164 0,195 0,230 0,254
 BAB III
PEMBAHASAN

Pada pembahasan ini kita membahas tentang metode statistik yaitu regresi
dan korelasi untutk mengetahui hubugan dua variable yaitu variable bebas(x) dan
variable terikat(y) tepatnya hungan antara tinggi badan dan waktu tempuh berlari.
Pada modul ini kita mengambil 30 responden untuk di uji dengan metode regresi
dan koreasi, pengambilan data di lapangan Hasanunddin dengan jarak 180 m pada
tanggal 14-15 April 2018. (Laode Muhammad Itmam, 2018)
a. Analisa Regresi
Pertama kita akan menganalisa hasil perhitugan regresi, pada perhitungan
regresi kita ingin mencari nilai a dan b untuk dimasukkan kedalam persamaan
regresi 𝑦 = 𝑎 ± 𝑏𝑥. pada perhitungan manual kita mendapatkan nilai 𝑎 = 79,124 dan
nilai 𝑏 = −0,038 sehingga kita mendapatkan persamaan regresi 𝑦 = 𝑎 ± 𝑏𝑥 setelah
di masukkan nilai a dan b kita akan mendapat persaman 𝑦 = 79,124 − 0,038𝑥.
b. Analisa korelasi
Selanjutnya kita akan menganalisis hasil yang didapat pada perhitungan
korelasi, pada perhitungan korelasi kita menggunakan korelasi person karena kita
ingin mengetahui kekuatan hubungan linier antara varaibel X(tinggi badan) dan
variabel Y(waktu lari). Untutk nilai korelasi yaitu -1< r < 1, semakin mendekati
angkat satu berarti korelasi antar variabel semakin kuat. Nilai yang positif
menandakan korelasi positif antar variabel, sedangkan nilai yang negatif
menandakan korelasi negatif. Dari hasil perhitungan, diperoleh r = -0,0227 sehingga
dapat disimpulkan hubungan tinggi badan dan waktu lari memiliki keeratan
hubungan yang lemah karena nilai korelasinya sangat mendekati angka 0 dan nilai
korelasinya bertanda negatif yang berarti bahwa hubungan tinggi badan dan waktu
lari berbanding terbalik. Hasil yang didapat pada perhitungan manual sesuai dengan
hasil yang di dapat pada perhitungan Software, SPSS maupun Minitab.

Setelah mengolah data, menganalisis, dan membahas, maka kita tarik

kesimpulan sebagai berikut:
a. Regresi adalah suatu metode analisis statistik yang digunakan untuk melihat
pengaruh antara dua atau lebih.sedangkan Korelasi adalah metode untuk
mengetahui tingkat keeretan hubungan dua variabel atau lebih yang
digambarkan oleh besarnya koefisien korelasi.
b. Pada modul ini kita menggunakan analaisis regresi sederhana. Dan utntuk
perhitungan korelasi kita menggunakan korelasi pearson (product moment),
koefisien determinasi, dan pengujian hipotesis.
c. Pada pengujian ini kita dapat disimpulkan bahwa tinggi badan mempengaruhi
waktu lari dimana semakin tinggi seseorang maka waktu lari orang tersebut
akan semakin lama, dan haya sekitar 0,0515% hubungan yang kedua variable
dan ada sekitar 99,9485% dipengaruhi oleh variabel atau faktor lain untuk
mencapai 100%.
d. Melalui metode yang kita pelajari pada modul ini kita dapat mengetahui
hubungan antara dua variabel yang dapat kita terapkan dalam kehidupan
sehari-hari.