MAKALAH

BIOSTATISTIK
“Uji Korelasi Regresi Linier Ganda”

Di Susun Oleh :
Kelompok 6
Raden Ayu Siti Marisa (P01740322031)
Ruri Indah Katarosa (P01740322032)
Sonya Purnamasari (P0174032033)
Vira Anggarini (P01740322034)
Vira Yunita (P01740322035)

DOSEN PENGAJAR :
Dr. Demsa Simbolon, SKM., MKM

KEMENTRIAN KESEHATAN REPUBLIK INDONESIA

POLTEKKES KEMENKES BENGKULU
PRODI D IV ALIH JENJANG KEBIDANAN
TAHUN AJARAN 2022/2023
 DAFTAR ISI

HALAMAN JUDUL..............................................................................................i
DAFTAR ISI..........................................................................................................ii
BAB I PENDAHULUAN
A. Latar Belakang.............................................................................................1
B. Rumusan Masalah........................................................................................2
C. Tujuan..........................................................................................................2
BAB II PEMBAHASAN
A. Pengertian Analisis Korelasi Linier Berganda..........................................................3
B. Kegunaan Analisis Korelasi Linier Berganda.............................................4
C. Asumsi yang Harus dipenuhi dalam Analisis Korelasi Linier
Berganda.......................................................................................................4
D. Prosedur Menganalisis Analisis Korelasi Linier Berganda dengan
Menggunakan Cara Manual......................................................................................5
BAB III PENUTUP
A. Kesimpulan..................................................................................................7
B. Saran............................................................................................................7
DAFTAR PUSTAKA..............................................................................................9

ii
 BAB I
PENDAHULUAN

A. Latar Belakang
Statistika adalah ilmu pengetahuan yang berhubungan dengan
cara-cara pengumpulan dan penyusunan data, pengolahan data, dan
penganalisisan data serta penyajian data berdasarkan kumpulan dan
analisis data yang dilakukan.
Di dalam statistik terdapat variabel. Variabel didefinisikan sebagai
konsep, kualitas, karakteristik, atribut, atau sifat-sifat dari suatu objek
(orang, benda, tempat, dan lain sebagainya) yang nilainya berbeda-beda
antara satu objek dengan objek lainnya dan sudah ditetapkan oleh
peneliti untuk dipelajari dan ditarik kesimpulannya.
Kemudian dalam kehidupan sehari-hari, seringkali dijumpai
kegiatan-kegiatan yang berhubungan antara suatu variabel dengan satu
atau lebih variabel lain. Contohnya hubungan intensitas belajar
mahasiswa dengan prestasi mata kuliah statistika. Kegiatan itu tentunya
membutuhkan analisis hubungan antara kegiatan-kegiatan tersebut.
Konsep tentang hubungan adalah untuk menjawab pertanyaan tentang
apakah kemunculan suatu gejala akan diikuti oleh gejala-gejala lain,
lebih spesifik apakah perubahan suatu variabel akan diikuti perubahan
variabel lain. Perubahan suatu variabel diikuti oleh perubahan variabel
lain menandakan adanya hubungan/korelasi antar variabel.
Oleh karena itu ada perkembangan dari analisis korelasi yang
bertujuan untuk mengetahui hubungan antar variabel yang akan di uji.
Korelasi sendiri berarti hubungan timbal balik, yang artinya dalam uji
asumsinya variabel independen dan variabel dependen mempunyai
hubungan yang linier.
Berdasarkan jumlah variabel bebas yang diteliti, maka analisis
korelasi dibedakan menjadi dua, yaitu analisis korelasi linier sederhana
dan analisis korelasi linier berganda. Dalam penulisan makalah ini, akan

1
 lebih difokuskan pada pembahasan mengenai analisis korelasi linier
berganda.
B. Rumusan Masalah
1. Apa yang dimaksud dengan analisis korelasi linier berganda ?
2. Apa saja kegunaan dari analisis korelasi linier berganda ?
3. Apa saja asumsi yang harus dipenuhi dalam menggunakan analisis
korelasi linier berganda ?
4. Bagaimana prosedur menganalisis analisis korelasi linier berganda ?
C. Tujuan
1. Untuk mengetahui pengertian analisis korelasi linier berganda.
2. Untuk mengetahui kegunaan dari analisis korelasi linier berganda.
3. Untuk mengetahui asumsi yang harus dipenuhi dalam menggunakan
analisis korelasi linier berganda.
4. Untuk mengetahui prosedur menganalisis analisis korelasi linier
berganda.

2
 BAB II
PEMBAHASAN

A. Korelasi Linear Berganda

1. Pengertian Analisis Korelasi Linier Berganda
Analisis korelasi merupakan teknik statistik yang digunakan
untuk menguji ada tidaknya hubungan serta arah hubungan dari dua
variabel atau lebih. Korelasi ganda merupakan bagian dari analisis
korelasi yang bermaksud untuk melihat hubungan antara tiga atau lebih
variabel (dua atau lebih variabel independen dan satu variabel
dependen). Korelasi ganda berkaitan dengan interkorelasi variabel-
variabel independen sebagaimana korelasi mereka dengan variabel
dependen.
Korelasi Ganda (multiple correlation) merupakan korelasi yang
terdiri dari dua variabel bebas ( X 1 , X 2 ) serta satu variabel terikat ( Y ) .
Apabila perumusan masalahnya terdiri dari tiga masalah, maka
hubungan antara masng-masing variabel dilakukan dengan cara
perhitungan korelasi sederhana, oleh karena itu berikut ini hanya akan
dikemukakan cara perhitungan ganda antara X 1 dan X 2 dengan Y .
Koefisien korelasi merupakan besar kecilnya hubungan antara dua
variabel yang dinyatakan dalam bilangan yang disebut dengan
Koefisien Korelasi. Koefisien korelasi dilambangkan dengan huruf R.
besarnya koefisien korelasi adalah antara -1, 0, dan +1. Besarnya
koefisien korelasi -1 adalah negatif yang artinya terdapat hubungan
diantara dua variabel atau lebih namun arahnya terbalik, +1 adalah
korelasi yang positif sempurna yang artinya terdapat hubungan diantara
dua variabel atau lebih, sedangkan 0 dianggap tidak terdapat hubungan
antara dua variabel atau lebih yang diuji sehingga dapat dikatakan tidak
ada hubungan sama sekali. Sedangkan harga untuk setiap r akan
dikonsultasikan dengan tabel interpretasi nilai r sebagai berikut :

3
 Interval Tingkat
Koefisien Hubungan
0.00 – 0.199 Sangat Rendah
0.20 – 0.399 Rendah
0.40 – 0.599 Cukup Tinggi
0.60 – 0.799 Tinggi
0.80 – 1.00 Sangat Tinggi

2. Kegunaan Analisis Korelasi Linier Berganda

Tujuan dari analisis korelasi linear berganda adalah untuk
mencari hubungan atau kontribusi dua variabel bebas ( X ) atau lebih
secara bersama-sama dengan variabel terikat (Y ). Sedangkan, gunanya
untuk menguji antara setiap variabel independen dan variabel dependen.
Maksudnya mencari arah dan kuat lemahnya hubungan antara dua atau
lebih variabel independen terhadap variabel dependen. Serta
membuktikan berdasarkan data yang ada apakah terdapat hubungan
antara variabel yang satu dengan variabel yang lain. Sehingga dari
proses pengujian tersebut memperoleh kejelasan atau kepastian
hubungan antara variabel itu merupakan hubungan yang signifikan atau
hubungan yang tidak berarti.
3. Asumsi yang Harus dipenuhi dalam Analisis Korelasi Linier Berganda
Uji analisis korelasi linear berganda ini termasuk uji parametrik.
Sama halnya dengan uji-uji parametrik lainnya, terlebih dahulu harus
diperiksa apakah sampel itu telah memenuhi asumsi-asumsi dari uji
tersebut.
Uji korelasi linear berganda mempunyai asumsi seperti dibawah ini :
a. Variabel independen dan varibel dependen mempunyai
hubungan yang linear.
b. Kedua variabel, baik variabel independen maupun variabel
dependen meruakan variabel kontinu, artinya nilai kedua varibel

4
 ditentukan melalui proses sampling, bukan dikendalikan melalui
suatu eksperimen.
c. Varians distribusi kondisonal dari nilai kedua variabel adalah
sama/homogen, artinya uji homogenitas berlaku untuk kedua
varians.
d. Distribusi kondisional dari nilai kedua variabel adalah normal.
e. Nilai observasi yang satu dengan nilai observasi yang lain,
koefisen korelasi (R) dihitung dengan :

√
2
r X 1 Y −2 ( r X r Y )( r X r Y )( r X r X )
R= 1

2
2 1 2

1−r X 1 X 2

4. Prosedur Menganalisis Analisis Korelasi Linier Berganda dengan

Menggunakan Cara Manual
Langkah-langkah menganalisis korelasi linier berganda dengan cara
manual adalah sebagai berikut :
1. Menentukan hipotesis nihil dan hipotesis kerja.
a. H 0 : ρ=0
b. H 1 : ρ≠ 0
2. Menentukan nilai atau harga kritis yang diperoleh dengan
melihat tabel F.
a. Taraf nyata yang digunakan biasanya 5% (0.05) atau 1%
(0.01)
b. F (1−α ) , [ (db=k ), (db=n−k−1) ]
Dimana : db pembilang = k
db penyebut = n – k – 1
keterangan :
k = banyaknya variabel independen
n = banyak data
3. Menentukan uji statistik yang digunakan, yaitu uji F.
4. Menentukan kriteria pengujian hipotesis.

5
 a. H 0 diterima apabila F 0< ¿ F (1−α ) , [ (db=k ), (db=n−k−1) ]
b. H 0 ditolak apabila F 0> ¿ F (1−α ) , [ (db=k ), ( db=n−k−1) ]
5. Lakukan perhitungan
a. K orelasi X 1 dengan Y
n K ( ∑ X 1 Y ) − ( ∑ X 1) ( ∑ Y )
rX Y=
√ (n ∑ X 2
)
−( ∑ X 1 ) . ( n ∑ Y 2−( ∑ Y )
2
)
1
2
1

b. Korelasi X 2 dengan Y
n ( ∑ X 2 Y )−( ∑ X 2 ) ( ∑ Y )
rX Y=
√ (n∑ X 2
)
− ( ∑ X 2 ) . ( n ∑ Y 2− ( ∑ Y )
2
)
2
2
2

c. Korelasi X 1 dengan X 2
n ( ∑ X 1 X 2) −( ∑ X 1 )( ∑ X 2 )
rX X =
√( n ∑ X 2
)(
2
)
1 2

−( ∑ X 1 ) . n ∑ X 2 −( ∑ X 2 )
2 2
1

d. Kemudian di uji dengan R

√
2 3
r X 1 Y +r X 2 Y −2 ( r X r y )( r X r y )( r X r X )
RX =
1 2 1 2

X2Y 2
1
1−r X 1 X 2

e. Setelah uji R, kemudian di uji kembali dengan uji F

R2
k
F= 2
1−R
n−k −1
6. Membuat kesimpulan.
Dengan membandingkan antara F hitung dengan F tabel,
kemudian menyimpulkan H 0 diterima atau ditolak.

6
B. Regresi Linear Berganda
1. Pengertian
Regresi linier berganda merupakan model persamaan yang
menjelaskan hubungan satu variabel tak bebas/ response (Y) dengan
dua atau lebih variabel bebas/ predictor (X1, X2,…Xn). Tujuan dari uji
regresi linier berganda adalah untuk memprediksi nilai variable tak
bebas/ response (Y) apabila nilai-nilai variabel bebasnya/ predictor (X1,
X2,..., Xn) diketahui. Disamping itu juga untuk dapat mengetahui
bagaimanakah arah hubungan variabel tak bebas dengan variabel -
variabel bebasnya.
Persamaan regresi linier berganda secara matematik diekspresikan
oleh :
Y = a + b1 X1 + b2 X2 + … + bn Xn
yang mana :
Y = variable tak bebas (nilai variabel yang akan diprediksi)
a = konstanta b1,b2,…,
bn = nilai koefisien regresi X1,X2,…,
Xn = variable bebas
Bila terdapat 2 variable bebas, yaitu X1 dan X2, maka bentuk
persamaan regresinya adalah : Y = a + b1X1 + b2X2 Keadaan-keadaan
bila koefisien-koefisien regresi, yaitu b1 dan b2 mempunyai nilai :
1) Nilai=0, Dalam hal ini variabel Y tidak dipengaruh oleh X1 dan
X2
2) Nilainya negative, Disini terjadi hubungan dengan arah terbalik
antara variabel tak bebas Y dengan variabel-variabel X1 dan X2
3) Nilainya positif, Disni terjadi hubungan yang searah antara
variabel tak bebas Y dengan variabel bebas X1 dan X2

7
Koefisien-koefisien regresi b1 dan b2 serta konstanta a dapat dihitung
dengan menggunakan rumus :

a=¿ ¿

b 1=¿ ¿

b 2=¿ ¿

Yang mana :
∑ x 12=∑ X 12−¿ ¿ ¿
∑ x 22=∑ X 22−¿ ¿ ¿
∑ y2 =∑ Y 2−¿ ¿ ¿

∑ X 1∑ Y
∑ x 1 y=∑ X 1 Y − n
∑ X2∑ Y
∑ x 2 y=∑ X 2 Y − n
∑ X1∑ X2
∑ x 1 x2=∑ X 1 X 2− n
Metode alternatif, yaitu metode matriks (metode kuadrat terkecil)
dapat digunakan untuk menentukan nilai a, b1 dan b2. Metode ini
dilakukan dengan cara membuat dan menyusun suatu persamaan sebagi
berikut :

an+ b1 ∑ X 1+ b2 ∑ X 2=∑ Y

a ∑ X 1+ b1 ∑ X 12+ b2 ∑ X 1 X 2=∑ X 1 Y
a ∑ X 2 + b1 ∑ X 2 X 1 + b2 ∑ X 2 = ∑ X 2 Y
2

8
Matriks dengan 3 persamaan dan 3 3 variabel :
m11 a+ m12 b1 +m 13 b 2=h1
m21 a+ m22 b1 +m23 b 2=h2
m31 a+ m32 b1 +m33 b 2=h3

[ ][ ] [ ]
m11 m12 m13 a h1
m21 m22 m23 b 1 = h2
m31 m32 m33 b 2 h3

det M 1
a=
det M
det M 2
b 1=
det M
det M 3
b 2=
det M

[ ]
m11 m12 m13
M = m21 m22 m23
m31 m32 m33

[ ]
h1 m12 m13
M 1= h2 m22 m23
h3 m32 m33

[ ]
m11 h 1 m 13
M 2= m21 h 2 m 23
m31 h 3 m 33

[ ]
m11 m12 h 1
M 3= m21 m22 h 2
m31 m32 h3

9
Contoh Analisis Korelasi dengan SPSS:
Contoh1:
Menghitung korelasi antara pengetahuan tentang kewarganegaraan dengan partisipasi politik seseorang. Sebelum kita memulai
analisis kita perhatikan dahulu apakah data yang akan kita peroleh berskala nominal, ordinal, interval atau rasio ? Sebab
perlakuan terhadap data-data tersebut akan berbeda ketika kita akan melakukan analisis korelasi.

Untuk data yang berskala interval dan atau rasio (bersifat kuantitatif/parametrik) tipe analisis korelasi yang digunakan
adalah Pearson Correlation atau istilah lainnya adalah Product
Moment Correlation. Sedangkan untuk
yang berskala ordinal kita gunakan Spearman Correlation (Statistik Non-Parametrik).
Kembali ke contoh kasus kita, kedua variabel yang ada yaitu pengetahuan kewarganegaraan dan tingkat partisipasi politik
umumnya belum memiliki standar yang baku dalam skala nilainya. Biasanya untuk mendapatkan nilai-nilai bagi variabel-
variabel tersebut kita terlebih dahulu melakukan pengukuran kepada sejumlah responden mengenai tingkat pengetahuannya
tentang kewarganegaraan dan tingkat partisipasi politiknya, biasanya kita akan menyebarkan angket yang berisi sejumlah
daftar pertanyaan atau pernyataan yang akan mengukur sejauh mana level pengetahuan kewarganegaraannya dan tingkat
partisipasi politiknya, baik level pengetahuan kewarganegaraan dan tingkat partisipasi politik keduanya merupakan konsep
yang berkaitan dengan perilaku seorang manusia. Seperti telah diulas dalam modul sebelumnya, para peneliti ilmu sosial
umumnya menggunakan Skala Likert guna mengukur persepsi atau perilaku sosial. Maka biasanya data yang akan kita
dapatkan dari hasil survey/penyebaran angket yang mengukur tingkat pengetahuan kewarganegaraan seseorang dan tingkat
partisipasi politiknya akan berskala ordinal. Misalkan untuk mengukur pengetahuan seseorang dibuatkan instrumen yang
terdiri atas 6 butir pertanyaan guna mengukur pengetahuannya tentang kewarganegaraan yang diberikan kepada 5 orang
responden (A,B,C,D dan E). Dari lima orang responden akan memiliki jawaban atas angket yang diberikan sebagai berikut.

No Resp Jawaban atas pertanyaan nomor ke-

1 2 3 4 5 6
A 3 2 3 1 2 3
B 4 4 4 2 3 4
C 5 5 5 3 4 5
D 5 5 5 5 5 7
E 7 7 7 7 7 7

Maka nilai-nilai jawaban tersebut terlebih dahulu harus di transformasikan ke dalam data interval. Misalkan hasilnya
(Succesive Interval-nya) diperoleh sebagai berikut:
No Resp Jawaban atas pertanyaan nomor ke-
1 2 3 4 5 6
A 3 2 3 1 2 3
B 1 1 1 1 1 1
C 2.271106 2.271106 2.271106 1.946443 1.946443 1.946443
D 2.271106 2.271106 2.271106 2.595769 2.595769 3.068991
E 3.542213 3.542213 3.542213 3.542213 3.542213 3.068991

Lalu untuk mendapatkan skor tiap-tiap responden untuk menentukkan tingkat pengetahuan kewarganegaraan yang dimilikinya
digunakan rumus tertentu (caranya dibahas pada topik berikutnya). Skor tingkat pengetahuan kewarganegaraan dari kelima
responden tersebut akhirnya, misalnya diperoleh sebagai berikut.
Tabel Skor Reponden untuk Tingkat
Pengetahuan Kewarganegaraan

No Responden Skor
A (1) 5.
B (2) 7
C (3) 10
D (4) 10

10
 E (5) 12

Selanjutnya hal yang sama dilakukan pula untuk mendapatkan skor mengenai tingkat partisipasi politiknya, sehingga
misalnya akhirnya diperoleh data sebagai berikut.

Tabel Data Lengkap

No Skor Tingkat Skor Tingkat
Responden Pengetahuan Kewarganegaraan Partisipasi Politik
1 5 1
2 7 3
3 10 5
4 10 7
5 12 9

Selanjutnya kita olah dengan SPSS, dengan langkah-langkah sebagai berikut:

1. Buat file dengan nama korelasi1.sav dalam folder pribadi Anda, berkenaan dengan
data lengkap di atas. Misalkan variabel Skor Tingkat Pengetahuan Kewarganegaraan
kita namai Citizenship dan Skor Tingkat Partisipasi Politik kita namai Participation,
hasilnya seperti berikut.

2. Jika sudah nampak, dari menu utama SPSS, pilih menu Analyze. Kemudian pilih
submenu Correlate, dan pilih bivariate. Maka akan tampak di layar tampilan seperti
gambar berikut:

3. Selanjutnya adalah mengisi menu-menu yang ada sebagai berikut:

a. Variable yang akan dikorelasikan, pilih Citizenship dan Participation
b. Correlation Coeffitients atau alat hitung koefisien korelasi. Pilih Pearson.
c. Test of Significance yang akan digunakan, pilih Two-tailed untuk uji dua sisi.
d. Flag significant correlations pilih untuk diaktifkan, dengan cara mengkliknya.
e. Kemudian tekan tombol Options, hingga tampak di layar tampilan seperti ini.

11
 f. Lalu pada pilihan statistics abaikan saja.
g. Pada menu missing values, pilih Exclude case pairwise untuk aktif.
Selanjutnya tekan Continue.
h. Tekan OK untuk mengakhiri pengisisian prosedur analisis. Selanjutnya SPSS
melakukan pekerjaan analisis yang hasilnya dapat terlihat pada bagian
output berikut ini.
Correlations

Citizenship Participation
Citizenship Pearson Correl ation 1 .969*
*
Sig. (2-tailed) .007
N 5 5
Participation Pearson Correl ation .969* 1
*
Sig. (2-tailed) .007
N 5 5
**. Correlation is significant at the 0.01 level (2-tailed).

Analisis Output
1. Arti Angka Korelasi (Lihat Pearson Correlation)
Ada dua hal dalam penafsiran korelasi, yaitu tanda ‘+” atau ‘-“ yang berhubungan dengan arah korelasi, serta kuat
tidaknya korelasi.
Korelasi antara Citizenship dengan Participation, didapat angka +0,969 (tanda “+” disertakan karena tidak ada tanda “-“
pada output, jadi otomatis positif). Hal ini berarti :
 Arah korelasi positif, artinya semakin tinggi tingkat pengetahuan
kewarganegaraan seseorang maka partisipasi politiknya cenderung semakin
besar. Demikian pula sebaliknya.
 Besaran korelasi (0,969) yang > 0,5, berarti tingkat pengetahuan
kewarganegaraan seseorang berkorelasi KUAT dengan partisipasi politiknya.

2. Signifikansi Hasil Korelasi (lihat Sig. (2-tailed))

Bila kita hendak merumuskan hipotesis bahwa antara dua variabel, yaitu tingkat pengetahuan kewarganegaraan
seseorang dengan partisipasi politiknya memiliki hubungan (korelasi), maka secara statistik dapat dinyatakan seperti
berikut:

H0:Tidak ada hubungan (korelasi) antara dua variabel Hi: Ada hubungan
(korelasi) antara dua variabel

Maka bila kita ingin menguji hipotesis ini, kita misalnya dapat menguji dengan melakukan uji dua sisi. Dasar
pengambilan keputusannya adalah dengan dasar probabilitas sebagai berikut:
 Jika probabilitas > 0,05 (atau 0,01) maka Ho diterima
 Jika probabilitas < 0,05 (atau 0,01) maka Ho ditolak
 Catatan: 0,05 atau 0,01 adalah tergantung pilihan kita.

Keputusan pada contoh kasus yang kita miliki pada keterangan Sig. (2-tailed) diperoleh angka probailitasnya 0,007 maka
kedua variabel tersebut memang SECARA NYATA berkorelasi. Hal ini bisa dilihat juga dari adanya tanda ** pada
angka korelasi.

12
3. Jumlah Data yang Berkorelasi
Dapat dilihat dari dari nilai N, karena tidak ada data yang hilang, maka data yang diproses adalah 5.

KORELASI PARSIAL

Kadang-kadang dalam suatu penelitian kita perlu menambahkan lagi satu variabel yang berfungsi sebagai pengontrol dari dua
variabel yang telah berkorelasi terlebih dahulu. Misalnya seperti pada contoh di atas, bila kita ingin menghitung korelasi
parsial antara tingkat pengetahuan kewarganegaraan seseorang dengan perilaku demokratisnya dimana partisipasi politik
menjadi variabel kontrol. Karena ketiga variabel bersifat kuantitatif, maka tipe analisis korelasi yang digunakan adalah
Pearson.
Langkah-langkah yang ditempuh:

1. Buka lagi file korelasi1.sav, lalu kita tambahkan 1 lagi variabel dengan nama
Democracy yang mewakili variabel tingkat perilalu demokrasi seseorang. Sehingga
diperoleh tampilan sebagai berikut:

2. Jika sudah nampak, dari menu utama SPSS, pilih menu Analyze. Kemudian pilih
submenu Correlate, dan pilih Partial. Maka akan tampak di layar tampilan seperti
gambar berikut:

3. Pengisian:
a. Variable yang akan dikorelasikan, pilih Citizenship dan Democracy
b. Controlling for (variabel pengontrol), pilih participation
c. Test of Significance yang akan digunakan, pilih Two-tailed untuk uji dua sisi.
d. Display actual signifance level pilih untuk diaktifkan, dengan
cara mengkliknya.

13
e. Abaikan yang lainnya, kemudian tekan tombol OK untuk prosessing data.
Outputnya sebagai berikut:

Correlations
Correl ations

Citizenship Partici pation Democ racy

Citizenship Pearson Correl ation 1 .969* .968**
Sig. (2-tailed) N * .007
.007 5
5
5
Partici pation Pearson Correl ation .969** 1 .977**
Sig. (2-tailed) N .007 .004
5 5
5
Democ racy Pearson Correl ation .968** .977* 1
Sig. (2-tailed) N .007 *
5 .004 5
5
**. Correlation is significant at the 0.01 level (2-t ailed).

Partial Corr

14
 Correlations

Control Variables Citizenship Democ racy

Participation Citizenship Correlation 1. .39
Signific anc e (2-tailed) 00 7
df 0 .60
. 3
2
0
Democ racy Correlation .3 1.0
Signific anc e (2-tailed) 97 00
df .6 .
03
0
2

Analisis Hasil Pengolahan oleh SPSS:

Analisis Output

1. Arti Angka Korelasi (Lihat Correlation)

Pada hasil output ada dua bagian, yang pertama adalah Analsis Korelasi Pearson (Bivariat) antara 3 variabel, yaitu
Citizenship, Participation dan Democracy. Sedangkan bagian yang kedua analisis korelasi antara Citizenship dengan
Democracy dimana Participation menjadi variabel pengontrolnya.

Bila dibandingkan terlihat bahwa angka korelasi antara Citizenship dengan Democracy dengan menggunakan variabel
pengontrol nilainya menjadi turun, yaitu dari 0,968 menjadi 0,397. Sedangkan tandanya masih “positif’. Hal ini berarti
bahwa
dengan memperhitungkan besarnya tingkat partisipasi politik seseorang, masih ada korelasi positif antara tingkat
pengetahuan kewarganegaraan dengan perilaku demokratisnya. Sehingga, semakin tinggi tingkat partisipasi politik
seseorang, dan jika perilaku demokrasinya pun meningkat, maka ada kecenderungan partisipasi politik orang tersebut
akan semakin meningkat. Demikian pula sebaliknya.

KORELASI UNTUK DATA ORDINAL

Bila kita memiliki data yang memiliki tipe ordinal, apakah analisis korelasinya harus sama ? Menggunakan Pearson ?
Jawabannya tentu tidak. Untuk data yang bersifat ordinal, seperti hasil dari penyebaran kuesioner yang berisi variabel
berjenjang seperti: Sangat baik, Baik, Tidak Baik dan seterusnya, maka harus menggunakan korelasi Spearman dan Kendall.
Jadi datanya bisa kualitatif maupun kuantitatif.
Mari kita lihat contoh kasus analisis untuk data ordinal dengan membuka file nilai_karyawan.

Pada contoh tersebut berisi nilai kapasitas karyawan dari suatu perusahaan dilihat dari aspek prestasi kerja, IQ dan
loyalitasnya. Dimana ada 75 orang karyawan.

Selanjutnya kita akan menghitung korelasi antara Prestasi Kerja, IQ yang dimiliki dan Loyalitas karyawan. Karena ketiga
variabel tersebut kualitatif maka korelasi yang digunakan adalah korelasi Spearman dan Kendall.
15
 Langkah-langkahnya sebagai berikut:
1. Buka file nilai_karyawan
2. Dari menu utama SPSS, pilih menu Analyze. Kemudian pilih submenu
Correlate, dan pilih Bivariate. Maka akan tampak di layar tampilan seperti
gambar berikut:

3. Pengisian: Bila pada analsis data kuantitatif yang dicentang pada Correlation
Coefficients adalah Pearson, maka sekarang yang harus dicentang adalah
Kendall’s tau-b dan Spearman (jangan lupa nonaktifkan yang Pearson-nya).
4. Untuk variabel, isikan prestasi, IQ dan Loyalitas dengan cara mengkliknya untuk
menyorotnya, lalu klik tanda panah.
5. Untuk yang lainnya sama dengan analisis sebelumnya. Hasilnya adalah sebagai
berikut:
NonParametric
Correlation Correlations

Prestas i Loyalitas
Karyawan IQ Karyawan Konsum en
Kendal l's tau_b Prestas i Karyawan Correlation Coefficient 1.000 -.015 .299**
Sig. (2-tailed) . .893 .005
N 75 75 75
IQ Karyawan Correlation Coefficient -.015 1.000 .072
Sig. (2-tailed) .893 . .508
N 75 75 75
Loyalitas Konsumen Correlation Coefficient .299* .072 1.000
Sig. (2-tailed) *
.005 .508 .
N
75 75 75
Spearm an's rho Prestas i Karyawan Correlation Coefficient 1.000 -.016 .330**
Sig. (2-tailed) . .893 .004
N 75 75 75
IQ Karyawan Correlation Coefficient -.016 1.000 .077
Sig. (2-tailed) .893 . .509
N 75 75 75
Loyalitas Konsumen Correlation Coefficient .330* .077 1.000
Sig. (2-tailed) *
.004 .509 .
N
75 75 75
**. Correlation is si gnifi cant at the 0.01 level (2-tail ed).

Analisis: Penafsirannya sama dengan penafsiran pada analisis Pearson.

1. Arti Angka Korelasi (Lihat Pearson Correlation)

 Korelasi antara Prestasi dan Loyalitas adalah positif, atau semakin loyal
seorang karyawan, maka prestasinya cenderung semakin bagus. Demikian
pula sebaliknya. Akan tetapi angka korelasi sebesar 0,299 < 0,5 menunjukkan
lemahnya hubungan kedua variabel tersebut.
 Korelasi antara IQ dengan Loyalitas positif dan nilainya 0,072 0,5
menunjukan hubungan keduanaya lemah.
 Korelasi antara Prestasi dengan IQ adalah negatif, atau semakin tinggi IQ
karyawan maka prestasinya cenderung makin jelek, demikian pula
16
 sebaliknya. Namun angka korelasi 0,015 < 0,5 menunjukkan lemahnya
hubungan ekedua variabel tersebut. Catatan: angka korelasi yang dipakai
adalah korelasi Kendall. Namun bila diukur dengan Spearman, hasilnya tidak
jauh berbeda.

2. Signifikansi Hasil Korelasi (lihat Sig. (2-tailed))

 Korelasi antara Prestasi dengan Loyalitas adalah signifikan (Probabilitas
0,005 jauh lebih kecil daripada 0,05), yang berarti adanya hubungan yang
benar-benar signifikan antara Prestasi dan Loyalitas seorang karyawan.
 Korelasi anatara IQ dengan Loyalitas hampir signifikan (Probabilitas adalah
0,508 yang hampir mendekati 0,05). Untuk kasus ini bisa dilakukan dengan
pengujian ulang dengan data yang diperbaharui, untuk memastikan apakah
kedua variabel berkorelasi secara signifikan.

17
  Korelasi antara Prestasi dengan IQ adalah tidak signifikan (Probabilitas 0,893
jauh lebih besar daripada 0,05), yang berarti antara Prestasi dan IQ seorang
karyawan tidak ada hubungan.
3. Jumlah Data yang Berkorelasi
Dapat dilihat dari dari nilai N, karena tidak ada data yang hilang, maka data yang diproses adalah 75. (Simpan hasil
output dengan nama korelasi3).

ANALISIS REGRESI

Kita telah berlatih menggunakan analisis korelasi dengan SPSS, selanjutnya kita akan berlatih untuk menggunakan analisis
regresi. Tujuan dari analisis regresi adalah untuk memprediksi besar Variabel Terikat (Dependent Variable) dengan
menggunakan data Variabel Bebas (Independent Variable) yang sudah diketahui besarnya.

Pada dasarnya tahapan penyusunan model analisis regresi adalah sebagai berikut:
1. Menentukan yang mana variabel bebas dan variabel terikatnya
2. Menentukan metode pembuatan model regresi, dalam SPSS ada beberapa
pilihan, yaitu: Enter, Stepwise, Forward dan Backward (perbedaanya akan
dibahas pada bagian lain). Default SPSS adalah metode Enter. Jika kita memilih
metode Stepwise, maka uji signifikansi justru mendahului uji asumsi seperti
normalitas dan sebagainya, oleh karena itu dalam latihan kita akan
menggunakan default SPSS yaitu metode Enter.
3. Melihat ada tidaknya data yang outlier (ekstrem)
4. Menguji asumsi-asumsi pada regresi berganda, seperti normalitas, Linieritas,
Heteroskedastisitas dan lain-lainnya.
5. Menguji signifikansi model (uji-t, uji-F dan sebagainya)
6. Intepretasi model Regresi Berganda

Persamaan model regresi dinyataakan dalam rumusan sebagai berikut:

Y = a + bX1 + cX2

Keterangan:
Y = Variabel dependen
X1 dan X2 = Variabel-variabel independen a, b, c =
konstanta-konstanta regresi

Latihan:
Kembali kita buka lagi file sebelumnya yang menggambarkan antara tingkat partisipasi politik seseorang dengan tingkat
pengetahuan kewarganegaraannya dan tingkat perilaku demokrasinya. Dalam analisis regresi kita ingin meprediksi, bagaimana
tingkat partisipasi politik seseorang bila tingkat pengetahuan kewarganegaraannya dan tingkat perilaku demokrasinya
berubah-ubah nilainya. Untuk itu kita lihat lagi contoh data yang kita punya sebelumnya.

18
 Tabel Data Analisis Regresi

Responden Participation Citizenship Democracy

1 1 5 1
2 3 7 4
3 5 10 5
4 7 10 6
5 9 12 8

Langkah-langkah:
1. Buat atau jika sudah ada buka lagi file SPSS yang memuat data ini.

2. Dari menu SPSS, pilih menu utama Analyze, lalu submenu Regression, kemudian
pilih Linear … Maka akan tampak tampilan seperti ini

3. Untuk pengisian, sebagai berikut:

a. Untuk pilihan Dependent (variabel terikat). Pilih variabel Participation
b. Untuk Independent(s) pilih Citizenship dan Democracy
c. Method, pilih Enter
d. Abaikan bagian lain
e. Tekan OK untuk prosessing data maka outputnya diperoleh sebagai berikut.

19
Output dan Analisisnya

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .982a .963 .927 .85442
a. Predictors: (Constant), Democracy, Citizenship

Bagian ini menggambarkan derajat keeratan hubungan antarvariabel.

 Angka R sebesar 0.982(a) menunjukkan bahwa korelasi/hubungan antara
Participation dengan kedua variabel independen-nya adalah kuat (karena besarnya >
0,5).
 Angka R Square atau Koefisien Determinasi adalah 0.963 (berasal dari 0,982 x
0,982). Ini artinya bahwa 0,963 atau 96,3% variasi dari Participation dapat dijelaskan
oleh variasi dari kedua variabel independen, yaitu Democracy dan Citizenship.
Sedangkan sisanya (100-96,3 = 0,7) atau 7% dijelaskan oleh sebab-sebab yang lain.
Untuk variabel independen lebih dari dua sebaiknya gunakan Adjusted R Square
yang pada latihan kita nilainya 0,927.
 Std. Error of the Estimate yang nilainya 0.85442 menggambarkan tingkat ketepatan
prediksi regresi, dimana semakin kecil angkanya maka semakin baik prediksinya.

ANOV Ab

Sum of
Model Squares df Mean S quare F Sig.
1 Regres sion 38.540 2 19.270 26.396 .037a
Residual 1.460 2 .730
Total 40.000 4
a.
Predic tors: (Constant), Dem ocracy, Citiz ens hip
b.
Dependent Variable: Participation

Bagian ini menggambarkan tingkat signifikansi. Dari uji ANOVA atau F-test, didapat F- hitung 26.396 dengan tingkat
signifikansi sebesar 0,037. Karena probabilitas (tingkat signifikansi) ini lebih kecil daripada 0,05 maka model regresi ini bisa
dipakai untuk memprediksi tingkat partisipasi politik seseorang. Dengan kata lain, tingkat pengetahuan kewarganegaraan
seseorang dan tingkat perilaku demokratisnya secara bersama-sama berpengaruh terhadap tingkat partisipasi politiknya.

20
 Coeffi cientsa

Unstandardized St andardiz ed
Coeffic ients Coeffic ients
Model B Std. E rror Beta t Sig.
1 (Const ant) -2. 300 2.491 -.924 .453
Citizenship .411 .610 .360 .673 .570
Democ racy .768 .654 .629 1.175 .361
a. Dependent Variable: Participation

Sedangkan bagian ini menggambarkan seberapa besar koefisien regresinya.

 Persamaan regresi yang diperoleh adalah sebagai berikut:
Participation = -2.300 + 0,411 Citizenship + 0,768 Democracy
 Konstanta sebesar -2,30 menyatakan bahwa jika seseorang tidak memiliki
pengetahuan kewarganegaraan dan perilaku demokratis maka partisipasi politiknya -
2,30. Secara kualitatif tentu tidak ada perilaku “minus”, mungkin dapat
diintepretasikan dalam konteks budaya politik gal itu adalah budaya “apatis”. Jangan
lupa juga, bahwa secara nyata ketiga variabel itu berskala ordinal, tidak memiliki
angka “nol” seperti dalam batasan skala interval.
 Koefisien regresi 0,411 menunjukkan bahwa setiap pengetahuan kewarganegaraan
seseorang bertambah +1 poin, maka partisipasi politiknya akan bertambah 0,411
poin.
 Koefisien regresi 0,768 menunjukkan bahwa setiap tingkat perilaku demokratis
seseorang bertambah +1 poin, maka partisipasi politiknya akan bertambah juga
sebesar 0,768 poin
 Sedangkan uji-t digunakan untuk menguji signifikansi konstanta dan setiap variabel
independen
Hipotesis yang dibangun adalah sebagai berikut:
Ho = Koefisien Regresi Tidak Signifikan Hi = Koefisien
Regresi Signifikan

Pengambilan keputusan (berdasarkan probabilitas, lihat kolom Sig.) adalah sebagai berikut:
Jika Sig. > 0,05 maka Ho diterima
Jika Sig. < 0,05 maka Ho ditolak , Hi diterima

Terlihat bahwa pada kolom Sig. untuk ketiga variabel tersebut, yaitu konstanta = 0,453, Citizenship = 0,57 dan
Democracy = 0,361 mempunyai angka signifikansi > 0,05, dengan demikian Ho diterima atau dengan kata lain
kedua variabel tersebut tidak cukup signifikan mempengaruhi tingkat partisipasi politik seseorang.

 Kejadian di atas mungkin disebabkan karena data-data yang ada memang

menunjukkan hal tersebut.

21
B

2. Contoh Soal

3. .
4. .
5. .
6. .
7. .
8.

C. Analisis Korelasi dan Regresi Dengan SPSS

BAB III
PENUTUP
A. Kesimpulan
Analisis korelasi linier berganda adalah teknik statistik parametrik
dengan pengujian hipotesis komparatif yang bersifat satu arah untuk menguji
apakah dua populasi atau lebih yang independen, serta melihat perbandingan
lebih dari dua kelompok data yang berskala interval atau rasio yang berasal
dari 1 variabel bebas.
Uji asumsi yang harus dipenuhi adalah :
1. Variabel independen dan varibel dependen mempunyai hubungan yang
linear.
2. Kedua variabel, baik variabel independen maupun variabel dependen
meruakan variabel kontinu, artinya nilai kedua varibel ditentukan melalui
proses sampling, bukan dikendalikan melalui suatu eksperimen.
3. Varians distribusi kondisonal dari nilai kedua variabel adalah
sama/homogen, artinya uji homogenitas berlaku untuk kedua varians.
4. Distribusi kondisional dari nilai kedua variabel adalah normal.
5. Nilai observasi yang satu dengan nilai observasi yang lain, koefisen korelasi
(R) dihitung dengan :

√
2 3
r X 1 Y +r X 2 Y −2 ( r X r y )( r X r y )( r X r X )
RX =
1 2 1 2

X2Y 2
1
1−r X 1 X 2
Kemudian di uji dengan Uji F :
2
 R2
k
F=
1−R 2
n−k −1
B. Saran
Makalah ini penulis susun agar memberikan manfaat besar bagi para
pembaca. Penulis berharap makalah ini dapat dijadikan sebagai bahan kajian
sehingga dapat memberikan lebih kejelasan bagi para pembaca tentang sub bab
yang penulis bahas. Makalah ini masih jauh dari kesempurnaan, untuk itu
penulis berharap kesediaan dari para pembaca untuk memberikan kritik dan
saran yang bersifat membangun, penulis harapkan semoga menjadi hasil yang
terbaik dan lebih sempurna dikemudian hari. Sebelum penulis menyajikan data
dalam karya ilmiah tertulis, hendaknya data dianalisis terlebih dahulu dengan
berbagai model distribusi data agar data yang disajikan lebih akurat dan dapat
dipertimbangkan.

3
DAFTAR PUSTAKA
Prof. Dr. H. Agus Irianto. 2004. Statistik. Kencana Prenada Media Group, Jakarta.
Prof. Dr. H. Moch. Idochi Anwar, M.Pd. 2014. Dasar-Dasar Statistika. Alvabeta,
Bandung.
Prof. DR. Sugiyono. 2006. Statistik Untuk Penelitian. Alvabeta, Bandung.