Nama : Euricoh Hamonangan Pardede

Kelas : 3 B1
Npm : 202110325178
o 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.
Hukum regresi semesta (law of universal regression) dari Galton diperkuat
oleh temannya Karl Pearson, yang mengumpulkan lebih dari seribu catatan
tinggi anggota kelompok keluarga. Ia menemukan bahwa rata-rata tinggi anak
laki-laki kelompok ayah (yang) pendek lebih besar dari pada tinggi ayah
mereka, jadi “mundurnya” (“regressing”) anak laki-laki yang tinggi maupun
yang pendek serupa kea rah rata-rata tinggi semua laki-laki. Dengan kata lain
Galton, ini adalah “kemunduran kearah sedang”.
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.
o Pengertian Korelasi
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi / hubungan (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.
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. Dalam SPSS ada
tiga metode korelasi sederhana (bivariate correlation) diantaranya Pearson
Correlation, Kendall’s tau-b, dan Spearman Correlation. Pearson Correlation
digunakan untuk data berskala interval atau rasio, sedangkan Kendall’s tau-b,
dan Spearman Correlation lebih cocok untuk data berskala ordinal.
Dalam korelasi sempurna tidak diperlukan lagi pengujian hipotesis, karena
kedua variabel mempunyai hubungan linear yang sempurna. Artinya variabel
X mempengaruhi variabel Y secara sempurna. Jika korelasi sama dengan nol
(0), maka tidak terdapat hubungan antara kedua variabel tersebut. Dalam
korelasi sebenarnya tidak dikenal istilah variabel bebas dan variabel
tergantung. Biasanya dalam penghitungan digunakan simbol X untuk variabel
pertama dan Y untuk variabel kedua. Dalam contoh hubungan antara variabel
remunerasi dengan kepuasan kerja, maka variabel remunerasi merupakan
variabel X dan kepuasan kerja merupakan variabel Y.
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.
o Analisis Regresi
Jika dalam analisis korelasi peneliti hanya tertarik pada derajat asosiasi
atau kecenderungan umum dua buah peubah atau lebih, maka dalam analisis
regresi peneliti ingin memperoleh hubungan fungsional antara dua peubah
yang dinyatakan dalam bentuk , Y a bX = + yang merupakan penduga dari
fungsi yang ada pada populasi yang biasa dinotasikan dengan 0 1 , atau = , Y
X Y X α βββ = ++ atau untuk peubah bebas lebih dari satu dinyatakan
sebagai = ,… Y X X β ββ ++ Melalui analisis regresi peneliti ingin
menghitung nilai penduga untuk j β yang sesuai dengan data. Selain
melakukan penghitungan nilai penduga untuk j β juga sekaligus melakukan
uji apakah nilainya signifikan atau dapat diabaikan (tidak signifikan). Regresi
mengukur seberapa besar suatu variabel mempengaruhi variabel yang lain,
sehingga dapat digunakan untuk melakukan peramalan nilai suatu variabel
berdasarkan variabel lain. Analisa regresi ada dua : Analisa Regresi
Sederhana dan Analisis Regresi Berganda.
Analisis regresi linier berganda adalah hubungan secara linear antara dua
atau lebih variabel independen (X1, X2,….Xn) dengan variabel dependen
(Y). Analisis ini untuk mengetahui arah hubungan antara variabel independen
dengan variabel dependen apakah masing-masing variabel independen
berhubungan positif atau negatif dan untuk memprediksi nilai dari variabel
dependen apabila nilai variabel independen mengalami kenaikan atau
penurunan. Data yang digunakan biasanya berskala interval atau rasio.
Analisis regresi sederhana hanya terdiri atas satu peubah bebas (peubah
penjelas/eksplanatori) X dan satu peubah terikat (respon) Y dengan hubungan
linier. Kedua peubah ini merupakan peubah kuantitatif, khusus untuk Y harus
dengan skala interval atau rasio. Dengan visualisasi secara geometris dapat
ditafsirkan bahwa dengan analisis regresi kita ingin menduga garis populasi
yang sesungguhnya tidak pernah diketahui (garis lurus putus-putus)
berdasarkan sampel pasangan data pada sampel. Persoalanvini merupakan
persoalan estimasi uji inferensi daam regresi. Garis regresi penduga ini dapat
dipergunakan untuk meramal (prediksi) rentang rata-rata nilai Y pada saat
nilai X diketahui, demikian juga rentang nilai-nilai Y pada saat nilai tertentu
dari X .
Berikut ini adalah contoh rumus :
Keterangan :
 Y = nilai yang diukur/dihitung pada variabel tidak bebas
x = nilai tertentu dari variabel bebas
a = intersep/perpotongan garis regresi dengan sumbu y
b = koefisien regresi /kemiringan dari garis regresi/untuk mengukur kenaikan
atau penurunan y untuk setiap perubahan satu-satuan x /untuk mengukur
besarnya pengaruh x terhadap y kalau x naik satu unit.
o Analisa Korelasi
Analisa Korelasi digunakan untuk mengukur kekuatan keeratan hubungan
antara dua variabel melalui sebuah bilangan yang disebut koefisien korelasi.
Dalam analisis korelasi, kita menghitung derajat asosiasi antara satu peubah
peubah lain (misalnya antara berat badan dan tinggi badan, antara berat
dengan kolesterol, antara nilai IQ dengan perolehan nilai ujian mata
matematika dan sebagainya). Ada dua jenis ukuran korelasi yang banyak
yaitu:
Korelasi produk momen Pearson untuk mengukur derajat asosiasi
beberapa peubah dengan skala interval atau rasio. Korelasi Spearman untuk
mengukur derajat asosiasi antara beberapa dengan skala ordinal (rank).
Koefisien korelasi linier ( r ) adalah ukuran hubungan linier antara dua
variabel/peubah acak X dan Y untuk mengukur sejauh mana titik-titik
menggerombol sekitar sebuah garis lurus regresi. Berikut ini adalah rumus
dari Korelasi :
Koefisien korelasi atau derajat asosiasi dua peubah (dinotasikan dengan r).
Besarnya r berkisar antara -1<.r<1. Ilustrasi grafik sebaran data dengan
berbagai nilai korelasi dapat disajikan dalam bentuk diagram pencar.
Kegunaan diagram pencar:
1. Membantu menunjukkan apakah terdapat hubungan yang bermanfaat
antara dua variabel.
2. Membantu menetapkan tipe persamaan yang menunjukkan hubungan
antara kedua variabel tersebut.
3. Menentukan persamaan garis regresi atau mencari nilai-nilai konstan.
Koefisien Determinasi ( r2 )
 nilainya antara 0 dan 1
untuk menyatakan proporsi keragaman total nilai-nilai peubah Y yang dapat
dijelaskan oleh nilai-nilai peubah X melalui hubungan linier tersebut.
Contoh : r = 0,6 artinya 0,36 atau 36 % diantara keragaman total nilai-nilai Y
dapat dijelaskan oleh hubungan liniernya dengan nilai-nilai X. atau Besarnya
sumbangan X terhadap naik turunnya Y adalah 36 % sedangkan 64 %
disebabkan oleh faktor lain.

o Contoh Regresi dan Korelasi

Berikut adalah data biaya promosi dan volume penjualan PT. Sukasukaku
perusahaan minyak goreng.

Y
Volume
X penjualan
Biaya
Promosi (Ratusan
juta
(Juta rupiah
Rupiah) per liter)
Tahun xy X2 Y2

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 persamaan regresi linier sederhana: Y=a+bx a=5

o Analisis Korelasi dan Regresi dengan Excel

1. Untuk dapat menggunakan perintah data analisis:
 o Aktifkan program Microsoft Excel hingga terdapat worksheet
kosong.
o Klik File, Klik Menu Options,
o Sebuah kotak dialog Excel Options ditampilkan, dan klik
menu add-ins,
o Dibagian bawah terdapat kotak Manage: Excel Add-ins. Klik
icon Go.
o Check list Anaylsis Tool Pak dan klik Go

2. Analisis Regresi
Analisis regresi bertujuan untuk melihat pengaruh satu variabel
terhadap variabel lainnya.
Langkah-langkah membuat Regresi dengan menggunakan excel:
o Ketik data X pada kolom B dan data Y pada kolom C
o Pilih Data pada menu utama
o Pilih Data Analysis
o Pilih Regression
o Klik OK Setelah muncul kotak dialog
o Pada input Y range , sorot pada range C3:C7
o Pada input X range, sorot pada range B3:B7
o Pada output range, ketik A9
o Klik OK
Maka hasil yang akan dikeluarkan adalah sebagai berikut:
3. Analisis Korelasi
o Analisis korelasi juga dapat digunakan dalam Excel.
o Korelasi menunjukkan keeratan hubungan antar variabel
o Keeratan tersebut dicerminkan dari nilai korelasi yang semakin
tinggi.
o Nilai korelasi berada di antara 0 hingga 1
o Tanda nya dapat positip dan negatif
o Positip menunjukkan hubungan dua variabel searah sedang
negatif menunjukkan hubungan kedua variabel berlawanan.
 Langkah-langkahnya membuat korelasi dengan menggunakan
excel:
1) Pilih Data pada menu utama
2) Pilih Data analysis
3) Pilih Correlation
4) Klik OK Setelah muncul kotak dialog
➢ Pada Input Range, sorot pada range A2:B11
➢ ada Output Range, ketik D23
➢ Klik OK
Maka hasil yang akan dikeluarkan adalah sebagai berikut:
4. Membuat grafik regresi linier
5. Pilih menu Insert – Scatter, pilih type scatter only mark
6. Pada Chart Layout dimenu bar, pilih Layout ke 3. Maka hasil yang
akan keluar adalah sebagai berikut.
• Perbedaan Regresi dan Korelasi
Pernyataan yang sering kita dengan adalah bahwa regresi dimengerti
dengan kata kunci pengaruh, dan korelasi dimengerti dengan kata kunci
hubungan. Pengertian sederhana itu tidaklah salah, akan tetapi, tidak ada
salahnya juga kita memahami secara lebih lanjut tentang regresi dan korelasi.
Analisis korelasi berkaitan erat dengan regresi, tetapi secara konsep
berbeda dengan analisis regresi. Analisis korelasi adalah mengukur suatu
tingkat atau kekuatan hubungan linear antara dua variabel. Koefisien korelasi
adalah mengukur kekuatan hubungan linear. Sebagai contoh, kita tertarik
untuk menemukan korelasi antara merokok dengan penyakit kanker,
berdasarkan penjelasan statistik dan matematika, pada anak sekolah dan
mahasiswa (dst).
Dalam analisis regresi, kita tidak menggunakan pengukuran tersebut.
Analisis regresi mencoba untuk mengestimasi atau memprediksikan nilai
rata-rata suatu variabel yang sudah diketahui nilainya, berdasarkan suatu
variabel lain yang juga sudah diketahui nilainya. Misalnya, kita ingin
 mengetahui apakah kita dapat memprediksikan nilai rata-rata ujian statistik
berdasarkan nilai hasil ujian matematika.
Regresi mempelajari bentuk hubungan antar variabel mealui suatu
persamaan. Persamaan yang digunakan untuk melihat hubungan antarvariabel
adalah Regresi Linear Sederhana (RLS), Regresi Linear Berganda (RLB), dan
Regresi non Linear.
Regresi bisa berupa hubungan sebab akibat.Regresi mengukur seberapa
besar suatu variabel mempengaruhi variabel yang lain, sehingga dapat
digunakan untuk melakukan peramalan nilai suatu variabel berdasarkan
variabel lain.
Korelasi juga mempelajari hubungan antar variabel, tetapi digunakan
untuk melihat seberapa erat hubungan antar dua variabel kuantitatif dilihat
dari besarnya angka dan bukan dari tandanya.
Dengan menggunakan korelasi, kita dapat mengetahui arah hubungan
yang terjadi dalam dua variabel. Jika korelasi bertanda positif artinya
berbanding lurus dan jika bertanda negatif maka berbanding terbalik.
Korelasi tidak bisa menyatakan hubungan sebab akibat meskipun angka
korelasinya tinggi. Misal ada dua pernyataan:
a) Tanaman mati kekeringan di musim kemarau
b) Pupuk kompos diberikan saat musim kemarau
c) Dari kedua pernyataan di atas, kita tidak dapat mengatakan bahwa
pupuk kompos menyebabkan tanaman mati meskipun korelasinya
tinggi.
• Manfaat Regresi dan Korelasi
Kegunaan Analisis Korelasi dan Regresi. Dalam kebanyakan fenomena
alam, menaksir rerata populasi, atau menguji perbedaan dua rerata dengan
teknik uji statistika, baik yang memerlukan asumsi sebaran khusus
(parametrik) mau pun yang tidak ketat asumsi sebarannya (nonparametrik)
menjadi tidak efisien dan tidak efektif lagi. Hal ini disebabkan oleh
banyaknya peubah yang berhubungan dan saling menjelaskan antara yang
satu dengan yang lainnya. Misalnya, kita akan memperkirakan nilai jual
sebuah rumah di suatu daerah tertentu. Kita dapat mengambil sampel acak
dari ratusan rumah yang ada dalam daerah tersebut, kemudian kita
menghitung rerata harga jualnya. Tetapi, menggunakan metode ini, kita
mengabaikan informasi yang mudah diamati, misalnya luas lantai, banyaknya
kamar tidur, banyaknya kamar mandi, dan umur rumah tersebut. Informasi ini
akan lebih bermanfaat kalau digunakan menaksir nilai jual rumah yang
bersangkutan.
Dari latar belakang yang kita perhatikan di atas, metode atau analisis
korelasi dan regresi merupakan topik penting untuk dibicarakan. Metode
korelasi dapat mengukur kuatnya hubungan antara dua peubah yang sifat
hubungannya simetris atau timbal balik Seperti metode korelasi; metode
regresi sudah menjadi bagian integral dari setiap analisis data yang
memperhatikan hubungan antara satu peubah tanggapan (response variable)
dengan satu atau lebih peubah penjelas (explanatory variables). Istilah peubah
tanggapan kadang-kadang juga disebut peubah terikat atau terikat (dependent
variable), dan peubah penjelas disebut peubah penaksir (predictor variable)
atau peubah bebas (independent variable). Penggunaan istilah ini biasanya
disesuaikan dengan situasi peubah-peubah yang dipelajari hubungannya, dan
juga selera penggunanya.
Pertama-tama kita akan membicarakan masalah yang berkaitan dengan
nilai rerata suatu peubah terikat Y (katakanlah harga jual rumah) terhadap
suatu peubah bebas X (misalnya luas lantai rumah) dengan menggunakan
hubungan linear. Model ini disebut model linear karena semua peubah yang
muncul dalam model itu berpangkat satu. Kalau dilihat dari banyaknya
peubah bebas dalam model, maka model itu disebut model linear sederhana,
karena hanya mempunyai satu peubah bebas.
Dalam hal mempelajari hubungan antarpeubah, regresi linear bukan satu-
satunya model yang harus digunakan, kita juga dapat menggunakan model
nonlinear, seperti model kuadratik, kubik, eksponen, logaritma, dan lain-lain.
Penentuan model tergantung pada sifat peubah atau Pemilihan Peubah dalam
Model populasi tempat data diambil. Sebelum menentukan model pilihan,
kita perlu mengadakan suatu diagnosis terhadap data yang diperoleh.
Diagram pencar adalah salah satu alat diagnosis untuk mendapatkan
gambaran tentang hubungan antara peubah bebas dan peubah terikat. Dari
diagram pencar itu, kita dapat memperkirakan bahwa model yang relevan
adalah linear atau nonlinear.
Selanjutnya, kalau kita memasukkan lebih dari satu peubah bebas dalam
model, maka diperoleh model regresi ganda (multiple regression model).
Seperti model sederhana, model regresi ganda dapat juga dibedakan atas
model regresi linear ganda dan model regresi nonlinear ganda. Dalam hal ini,
kita dapat membangun model satu peubah tanggapan Y (katakanlah nilai jual
rumah) sebagai fungsi dari peubah-peubah kuantitatif (seperti luas lantai,
umur rumah, luas pekarangan, dan banyaknya kamar), atau sebagai fungsi
dari peubah-peubah kualitatif (seperti jenis konstruksi, dan lokasi).
Penggunaan Paket Komputer dalam StatistikaTersedianya paket statistika
sebagai perangkat lunak komputer memudahkan banyak peneliti dalam
penggunaan analisis statistik terhadap data yang diperoleh. Ketersediaan
fasilitas ini memudahkan dan sangat menguntungkan karena beberapa faktor.
1. Proses analisis, terutama perhitungan dapat dilakukan dengan cepat
sekali tanpa ada kesalahan hitung.
2. Peneliti dapat menghindari pekerjaan hitung yang memerlukan waktu
lama apabila dikerjakan dengan cara manual, yang akibatnya bisa
melelahkan dan terjadinya kesalahan.
3. Peneliti sudah dapat memiliki waktu yang cukup memadai untuk
berpikir dan mengembangkan masalah penelitiannya, menafsirkan
hasil analisis data yang diperolehnya, dan mengimplementasikan serta
menin¬daklanjuti rekomendasi dari temuan-temuannya.
Di samping kemudahan dan sejumlah keuntungan lain yang diberikan oleh
fasilitas komputer yang tersedia, ada peringatan keras agar peneliti memilih
paket statistika dengan lebih hati-hati. Paling sedikit tiga situasi yang
memerlukan kehati-hatian dengan penggunaan paket statistika dalam
komputer, yaitu:
1. Ketika menganalisis data dan tidak memiliki pengetahuan statistika
yang cukup untuk mengerti secara lengkap hasil (out put) komputer
yang diperoleh;
2. ketika mengajarkan penggunaan paket statistika dalam suatu pelatihan
yang terpisah dari pengajaran statistika;
3. ketika menggunakan paket statistika dalam pengajaran bidang tertentu
tanpa memerlukan metode statistika yang menunjang paket tersebut.