BAB 10

KORELASI DAN REGRESI

KORELASI

A. PENGERTIAN KORELASI
Secara sederhana, korelasi dapat diartikan sebagai hubungan. Namun ketika
dikembangkan lebih jauh, korelasi tidak hanya dapat dipahami sebatas pengertian
tersebut. Korelasi merupakan salah satu teknik analisis dalam statistik yang
digunakan untuk mencari hubungan antara dua variabel yang bersifat kuantitatif.
Hubungan dua variabel tersebut dapat terjadi karena adanya hubungan sebab akibat
(causality) atau dapat pula terjadi karena kebetulan saja. Dua variabel dikatakan
berkolerasi apabila perubahan pada variabel yang satu akan diikuti perubahan pada
variabel yang lain secara teratur dengan arah yang sama (korelasi positif) atau
berlawanan (korelasi negatif). Korelasi merupakan ukuran dari seberapa dekat dua
variabel berubah dalam hubungan satu sama lain. Pada semua kejadian, pasti ada
faktor yang menyebabkan terjadinya kejadian-kejadian tersebut. Misalnya kinerja
guru yang belum optimal disebabkan oleh menurunnya motivasi kerja guru tersebut.
Contoh lain, seorang siswa yang tidak belajar mendapatkan nilai jelek pada saat
ulangan, dan lain-lain.
Uraian di atas menunjukkan adanya hubungan atau korelasi antara kejadian
yang satu dengan kejadian yang lainnya. Kejadian itu dapat dinyatakan dengan
perubahan nilai variabel. Misal, jika X merupakan variabel motivasi belajar, maka
naik turunnya motivasi belajar dapat dinyatakan dengan perubahan nilai X.
Selanjutnya, apabila Y merupakan variabel hasil belajar, maka naik turunnya hasil
belajar dapat dinyatakan dengan perubahan nilai Y. Dengan demikian, hubungan
antara dua kejadian dapat dinyatakan dengan hubungan dua variabel X dan Y.
Dengan demikian dapat kita simpulkan bahwa korelasi merupakan keeratan
hubungan antara variabel bebas, prediktor (independent variable) dengan variabel
terikat atau bergantung atau kriterium (dependent variable).

1 Draft Buku Ajar Statistik Deskriptif 2021 Agus Abdillah, SE., M.Pd.E.
 Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi (measures of association). Pengukuran asosiasi merupakan
istilah umum yang mengacu pada sekelompok teknik dalam statistik bivariat yang
digunakan untuk mengukur kekuatan hubungan antara dua variabel.

B. MACAM-MACAM KORELASI
Korelasi sebagai sebuah analisis memiliki berbagai jenis menurut
tingkatannya. Beberapa tingkatan korelasi yang telah dikenal selama ini antara lain
adalah korelasi sederhana, korelasi parsial, dan korelasi ganda. Berikut ini adalah
penjelasan dari masing-masing korelasi dan bagaimana cara menghitung hubungan
dari masing-masing korelasi tersebut.
1. Korelasi Sederhana
Korelasi Sederhana merupakan suatu teknik statistik yang dipergunakan
untuk mengukur kekuatan hubungan antara dua variabel dan juga untuk dapat
mengetahui bentuk hubungan keduanya dengan hasil yang bersifat kuantitatif.
Kekuatan hubungan antara dua variabel yang dimaksud adalah apakah hubungan
tersebut erat, lemah, ataupun tidak erat. Sedangkan bentuk hubungannya adalah
apakah bentuk korelasinya linear positif ataupun linear negatif.
Di antara sekian banyak teknik-teknik pengukuran asosiasi, terdapat dua
teknik korelasi yang sangat populer sampai sekarang, yaitu korelasi Pearson
Product Moment dan korelasi Rank Spearman. Lalu apa perbedaan di antara
keduanya?.
Korelasi Pearson Product Moment adalah korelasi yang digunakan untuk
data kontinu dan data diskrit. Korelasi Pearson cocok digunakan untuk statistik
parametrik. Ketika data berjumlah besar dan memiliki ukuran parameter seperti
mean dan standar deviasi populasi. Korelasi Pearson menghitung korelasi dengan
menggunakan variasi data. Keragaman data tersebut dapat menunjukkan
korelasinya. Korelasi ini menghitung data apa adanya, tidak membuat ranking
atas data yang digunakan seperti pada korelasi Rank Spearman. Ketika kita
memiliki data numerik seperti nilai tukar rupiah, data rasio keuangan, tingkat

2 Draft Buku Ajar Statistik Deskriptif 2021 Agus Abdillah, SE., M.Pd.E.
 pertumbuhan ekonomi, data berat badan dan contoh data numerik lainnya, maka
Korelasi Pearson Product Moment cocok digunakan.
Sedangkan koefisien Korelasi Rank Spearman digunakan untuk data diskrit
dan kontinu namun untuk statistik non-parametric. Koefisien korelasi Rank
Spearman lebih cocok untuk digunakan pada statistik nonparametrik. Statistik
nonparametrik adalah statistik yang digunakan ketika data tidak memiliki
informasi parameter, data tidak berdistribusi normal atau data diukur dalam
bentuk ranking. Berbeda dengan Korelasi Pearson, korelasi ini tidak memerlukan
asumsi normalitas, maka korelasi Rank Spearman cocok juga digunakan untuk
data dengan sampel kecil. Korelasi Rank Spearman menghitung korelasi dengan
menghitung ranking data terlebih dahulu. Artinya korelasi dihitung berdasarkan
orde data. Ketika peneliti berhadapan dengan data kategorik seperti kategori
pekerjaan, tingkat pendidikan, kelompok usia, dan contoh data ketegorik lainnya,
maka Korelasi Rank Spearman cocok digunakan. Korelasi Rank Spearman pun
cocok digunakan pada kondisi dimana peneliti dihadapkan pada data numerik
(kurs rupiah, rasio keuangan, pertumbuhan ekonomi), namun peneliti tidak
memiliki cukup banyak data (data kurang dari 30).
2. Korelasi Parsial
Korelasi parsial adalah suatu metode pengukuran keeratan hubungan
(korelasi) antara variabel bebas dan variabel tak bebas dengan mengontrol salah
satu variabel bebas untuk melihat korelasi natural antara variabel yang tidak
terkontrol. Analisis korelasi parsial (partial correlation) melibatkan dua variabel.
Satu buah variabel yang dianggap berpengaruh akan dikendalikan atau dibuat
tetap (sebagai variabel kontrol). Data yang digunakan dalam korelasi parsial
biasanya memiliki skala interval atau rasio.
3. Korelasi Ganda
Korelasi ganda adalah bentuk korelasi yang digunakan untuk melihat
hubungan antara tiga atau lebih variabel (dua atau lebih variabel independen dan
satu variabel dependent. Korelasi ganda berkaitan dengan interkorelasi variabel-
variabel independen sebagaimana korelasi mereka dengan variabel
dependen. Korelasi ganda adalah suatu nilai yang memberikan kuatnya pengaruh

3 Draft Buku Ajar Statistik Deskriptif 2021 Agus Abdillah, SE., M.Pd.E.
 atau hubungan dua variabel atau lebih secara bersama-sama dengan variabel lain.
Korelasi ganda merupakan korelasi yang terdiri dari dua atau lebih variabel bebas
( , ,….. ) serta satu variabel terikat (Y). Apabila perumusan masalahnya
terdiri dari tiga masalah, maka hubungan antara masing-masing variabel
dilakukan dengan cara perhitungan korelasi sederhana.

C. UKURAN KORELASI
Hubungan dua variabel ada yang positif dan negatif. Suatu hubungan
dikatakan positif apabila terjadi kenaikan X, maka akan terjadi kenaikan Y atau
apabila terjadi penurunan X, maka akan terjadi pula penurunan Y. Sedangkan
dikatakan negatif yaitu apabila X mengalami kenaikan, maka justru Y mengalami
penurunan atau apabila X mengalami penurunan, maka Y mengalami kenaikan.
Untuk mengukur keeratan hubungan antar variabel tersebut, maka digunakan apa
yang disebut dengan koefisien korelasi (r). Nilai koefisien korelasi ini paling sedikit
bernilai -1 dan paling besar bernilai 1. Jadi dapat dinyatakan sebagai berikut:
-1 < = r > = 1
Artinya:
a) Jika r = 1, hubungan X dengan Y sempurna dan positif (mendekati 1, yaitu
hubungan sangat kuat dan positif).
b) Jika r = -1, hubungan X dengan Y sempurna dan negatif (mendekati -1, yaitu
hubungan sangat kuat dan negatif).
c) Jika r = 0, tidak ada hubungan atau lemah sekali hubungan antara X dengan Y.
Cara menghitung nilai r dengan korelasi product moment atau korelasi
Pearson yaitu;

∑ (∑ ) (∑ )
=
√* ∑ (∑ ) +√* ∑ (∑ ) +

Kemudian berdasarkan nilai koefisien korelasi tersebut diinterpretasikan

dengan pedoman sebagai berikut:
Tabel 10.1 Pedoman Interpretasi Koefisien Korelasi

4 Draft Buku Ajar Statistik Deskriptif 2021 Agus Abdillah, SE., M.Pd.E.
 Interval Kategori
0,00 – 0,19 Sangat Lemah
0,20 – 0,39 Lemah
0,40 – 0,59 Sedang
0,60 – 0,79 Kuat
0,80 – 1,00 Sanagt Kuat

REGRESI
D. PENGERTIAN REGRESI
Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton pada
tahun 1886. Galton menemukan adanya tendensi bahwa orang tua yang memiliki
tubuh tinggi memiliki anak-anak yang tinggi, orang tua yang pendek memiliki anak-
anak yang pendek pula. Kendati demikian. Ia mengamati bahwa ada kecenderungan
tinggi anak cenderung bergerak menuju rata-rata tinggi populasi secara keseluruhan.
Dengan kata lain, ketinggian anak yang amat tinggi atau orang tua yang amat
pendek cenderung bergerak kearah rata-rata tinggi populasi. Inilah yang disebut
hukum Golton mengenai regresi universal. Dalam bahasa Galton, ia menyebutkan
sebagai regresi menuju mediokritas.
Secara umum, analisis regresi pada dasarnya adalah studi mengenai
ketergantungan satu variabel dependen (terikat) dengan satu atau lebih variabel
independent (variabel penjelas/bebas), dengan tujuan untuk mengestimasi dan/ atau
memprediksi rata-rata populasi atau niiai rata-rata variabel dependen berdasarkan
nilai variabe! independen yang diketahui. Pusat perhatian adalah pada upaya
menjelaskan dan mengevalusi hubungan antara suatu variabel dengan satu atau lebih
variabel independen. Hasil analisis regresi adalah berupa koefisien regresi untuk
masing-masing variable independent. Koefisien ini diperoleh dengan cara
memprediksi nilai variable dependen dengan suatu persamaan.
Analisis regresi merupakan salah satu analisis yang bertujuan untuk
mengetahui pengaruh suatu variabel terhadap variabel lain. Dalam analisis regresi,
variabel yang mempengaruhi disebut Independent Variable (variabel bebas) dan
variabel yang dipengaruhi disebut Dependent Variable (variabel terikat). Jika dalam

5 Draft Buku Ajar Statistik Deskriptif 2021 Agus Abdillah, SE., M.Pd.E.
persamaan regresi hanya terdapat satu variabel bebas dan satu variabel terikat, maka
disebut sebagai persamaan regresi sederhana, sedangkan jika variabel bebasnya
lebih dari satu, maka disebut sebagai persamaan regresi berganda.
Untuk mencari persamaan garis regresi dapat digunakan berbagai
pendekatan (rumus), baik regresi linear sederhana maupun regresi linear berganda
akan dibahas lebih jelas pada sub bab ini.

E. MACAM-MACAM REGRESI
Macam-macam regresi terbagi lima antara lain sebagai berikut:
1. Regresi Linear Sederhana
Regresi linear sederhana menyatakan adanya pengaruh atau estimasi atau
kontribusi X (variabel bebas) terhadap Y (variabel tak bebas/terikat). Semua
variabel datanya kuantitatif. Misalnya, pengaruh lingkungan keluarga (X)
terhadap disiplin belajar (Y).

2. Regresi Linear Berganda

Regresi linear berganda menyatakan adanya pengaruh atau estimasi atau
kontribusi dari dua atau lebih variabel X (variabel bebas) terhadap variable Y
(variabel tak bebas/terikat). Semua variabel datanya kuantitatif. Misalnya,
pengaruh peran kepemimpinan ( ), iklim organisasi ( ), dan motivasi kerja
( ) terhadap kinerja guru (Y).
3. Regresi Non-linear
Pengaruh variabel X terhadap Y yang tidak linear. Tidak linear maksudnya
laju perubahan Y akibat laju perubahan X tidak konstan untuk nilai-nilai X
tertentu.
4. Regresi Dummy
Pengaruh variabel X (data kualitatif) terhadap variabel Y (data kuantitatif).
Misalnya, pengaruh guru yang telah bersertifikasi dengan guru yang belum
bersertifikasi terhadap kinerja. Kita coding 1 jika sudah bersertifikasi dan 0 jika
belum bersertifikasi. 1 dan 0 adalah variabel dummy.

6 Draft Buku Ajar Statistik Deskriptif 2021 Agus Abdillah, SE., M.Pd.E.
5. Regresi Logistik
Pengaruh variabel X (data kuantitatif) terhadap variabel Y (data kualitatif).
Misalnya, ingin diketahui apakah reviewer di sebuah jurnal nasional terakreditasi
akan memutuskan artikel yang masuk diterima atau ditolak berdasarkan penilaian
reviewer tersebut. Dalam kasus ini hanya ada beberapa kemungkinan keputusan
yaitu; reviewer menerima artikel tanpa revisi (2), reviewer menerima artikel
dengan revisi (1), dan reviewer menolak artikel (0).
Setelah dilakukan uji hubungan, selanjutnya adalah menghitung koefisien
determinasi (Koefisien Penentu/KP). Nilai X dikatakan mempengaruhi Y karena
kenaikan atau penurunan X mempengaruhi nilai Y. Namun dalam diagram pencar,
nilai Y memiliki nilai yang bervariasi meskipun nilai Y naik dalam deret ukur. Hal
ini terjadi karena nilai Y tidak hanya dipengaruhi oleh variabel X namun juga
beberapa faktor lain. Misalnya, kinerja guru tidak hanya dipengaruhi oleh motivasi
kerja, tapi juga dipengaruhi oleh iklim organisasi, supervisi, peran kepemimpinan
kepala sekolah dan lain-lain . Dari sini timbul pertanyaan, berapa besarnya
kontribusi dari X terhadap naik turunnya nilai Y ? Untuk menjawab pertanyaan ini
harus dihitung dulu suatu koefisien yang disebut keofisien determinasi atau
koefisien penentu (KP). Nilai KP diperoleh dari koefisien korelasi yang
dikuadratkan ( ).
Misalnya diketahui koefisien korelasi ( ) sebesar 0,85 maka koefisien
penentu ( ) adalah sebesar = 0,7225 atau 72,25%. Hal ini berarti besar
kontribusi dari X terhadap Y sebesar 72,25%, Sedangkan sisanya 27,75% adalah
kontribusi dari faktor-faktor lainnya yang tidak diteliti.

KORELASI & REGRESI LINEAR SEDERHANA

(Simple Linear Correlation and Regression)
Seperti yang sudah dijelaskan mengenai konsep regresi di atas, maka pada sub
pokok bahasan kali ini adalah memaparkan contoh dan perhitungan korelasi dan
regresi. Terlebih dahulu adalah bagaimana analisis korelasi dan regresi sederhana
seperti yang akan dibahas berikut ini:

7 Draft Buku Ajar Statistik Deskriptif 2021 Agus Abdillah, SE., M.Pd.E.
F. Analisis Regresi Linear Sederhana dan Korelasi Product Moment (Korelasi
Pearson)
Regresi adalah bentuk hubungan fungsional antara variabel respon dan
prediktor. Guna regresi adalah untuk prediksi. Dalam hal ini, regresi linear
sederhana Y atas X. Misalnya, Sejauh mana disiplin belajar (Y) dapat diprediksi dari
minat (X)? Atau apakah terdapat hubungan fungsional antara minat belajar dengan
disiplin belajar ?.
Berdasarkan rumusan masalah tersebut, maka bentuk kerangka pemikiran
atau kerangka konseptualnya yaitu;
a) Untuk mengetahui koefisien regresi (pengaruh/kontribusi X terhadap Y)
𝑝𝑦𝑥
Minat Disiplin
Belajar (X) Belajar (Y)

b) Untuk mengetahui kuat atau lemahnya hubungan (korelasional antara X dengan

Y)
𝑟𝑥𝑦
Minat Disiplin
Belajar (X) Belajar (Y)

atau
𝑟𝑥𝑦
Minat Disiplin
Belajar (X) Belajar (Y)

Variabel X = variabel prediktor (bebas, independen)

Variabel Y = variabel kriterium (respon, terikat, tergantung, dependen)
Persamaam regresi linear sederhana:

̂ = a + bX

Keterangan: a = konstanta (bilangan konstan)

b = koefisien arah regresi

8 Draft Buku Ajar Statistik Deskriptif 2021 Agus Abdillah, SE., M.Pd.E.
 (∑ )(∑ ) (∑ )(∑ )
a=
∑ (∑ )

(∑ ) (∑ )(∑ )
b=
∑ (∑ )

atau jika b sudah dicari maka,

a= ̅ -b̅

Contoh:
Seorang peneliti ingin mengetahui pengaruh dan hubungan antara Minat Belajar (X)
dengan Disiplin Belajar (Y). Diambil sampel secara acak sebanyak 30 siswa
(responden). Setelah dilakukan survey/penyebaran angket diperoleh skor masing-
masing variabel sebagai berikut:
Tabel 10.2 Data Minat Belajar (X) dan Skor Disiplin belajar (Y)
No. Minat Disiplin No. Minat Disiplin
Respond Belajar (X) Belajar (Y) Respond Belajar (X) Belajar (Y)
1 42 51 16 40 50
2 44 55 17 50 62
3 50 60 18 38 50
4 54 62 19 45 56
5 45 55 20 50 58
6 42 50 21 36 45
7 44 54 22 38 49
8 50 62 23 44 55
9 55 65 24 36 45
10 44 56 25 50 62
11 43 52 26 54 65
12 42 50 27 44 56
13 40 50 28 50 60
14 38 46 29 42 52
15 40 48 30 54 63

Berdasarkan tabel di atas, tentukan persamaan regresi linearnya, koefisien

korelasi dan koefisien determinasinya !

Penyelesaian:
Langkah-langkah Perhitungan:
1) Pertama perlu dibuat tabel penolong

9 Draft Buku Ajar Statistik Deskriptif 2021 Agus Abdillah, SE., M.Pd.E.
 Tabel 10.3 Skor Minat Belajar (X) dan Skor Disiplin belajar (Y)
No.Respond X Y X2 Y2 XY
1 42 51 1764 2601 2142
2 44 55 1936 3025 2420
3 50 60 2500 3600 3000
4 54 62 2916 3844 3348
5 45 55 2025 3025 2475
6 42 50 1764 2500 2100
7 44 54 1936 2916 2376
8 50 62 2500 3844 3100
9 55 65 3025 4225 3575
10 44 56 1936 3136 2464
11 43 52 1849 2704 2236
12 42 50 1764 2500 2100
13 40 50 1600 2500 2000
14 38 46 1444 2116 1748
15 40 48 1600 2304 1920
16 40 50 1600 2500 2000
17 50 62 2500 3844 3100
18 38 50 1444 2500 1900
19 45 56 2025 3136 2520
20 50 58 2500 3364 2900
21 36 45 1296 2025 1620
22 38 49 1444 2401 1862
23 44 55 1936 3025 2420
24 36 45 1296 2025 1620
25 50 62 2500 3844 3100
26 54 65 2916 4225 3510
27 44 56 1936 3136 2464
28 50 60 2500 3600 3000
29 42 52 1764 2704 2184
30 54 63 2916 3969 3402
Jumlah (Σ) 1344 1644 61132 91138 74606

Diketahui: ΣX = 1344
ΣY = 1644
ΣX2 = 61132
ΣY2 = 91138
ΣXY = 74606

(∑ ) (∑ )(∑ )
b=
∑ (∑ )

30(74606 )  (1344 )(1644 )

b  1,037
30(61132 )  (1344 ) 2

10 Draft Buku Ajar Statistik Deskriptif 2021 Agus Abdillah, SE., M.Pd.E.
a = ̅ - b̅ dimana, ̅ dan ̅ adalah jumlah total X dan Y dibagi total
responden/sampel. Maka,
a = 54,8 – (1,037)44,8 = 8,342
Dengan demikian, persamaan garis regresinya: Ŷ = 8,342 + 1,037X
Jika X = 38, maka Ŷ = 8,342+1,037*38 = 47,75. Sehingga dapat digambarkan
persamaan garis regresi linearnya sebagai berikut:

47,75
Ŷ = 8,342 + 1,037X

8,34
X
36 38 40 42 44

Koefisien korelasi dapat dicari dengan rumus korelasi product moment,

yaitu sebagai berikut:

∑ (∑ ) (∑ )
=
√* ∑ (∑ ) +√* ∑ (∑ ) +

Telah diketahui (telah dihitung di atas):

ΣX = 1344
ΣY = 1644
ΣX2 = 61132
ΣY2 = 91138
ΣXY = 74606
∑ (∑ ) (∑ )
=
√* ∑ (∑ ) +√* ∑ (∑ ) +

( ) ( )( )
= = 0,973
√* ( ) ( ) +√* ( ) ( ) +

11 Draft Buku Ajar Statistik Deskriptif 2021 Agus Abdillah, SE., M.Pd.E.
 Berdasarkan hasil perhitungan korelasi, maka dapat diketahui koefisien
determinasinya yaitu (r2) = (0,973)2 = 0,946 atau 94,6%. Hal ini berarti bahwa
sumbangan atau kontribusi minat belajar terhadap disiplin belajar adalah sebesar
94,6%, sedangkan sisanya 5,4% diprediksi oleh variabel lain yang tidak diteliti.

12 Draft Buku Ajar Statistik Deskriptif 2021 Agus Abdillah, SE., M.Pd.E.