MODUL IX

ANALISIS REGRESI DAN KORELASI

1. Pendahuluan

Analisis regresi adalah studi yang menyangkut masalah hubungan fungsional antara variable-variabel.
Dalam analisis regresi dibedakan dua jenis variable, yaitu variable bebas atau variable predictor (X) dan
variable tak bebas atau variable respon (Y). Hubungan fungsional diantara variable bebas dengan
variable terikat akan dituliskan dalam bentuk persamaan matematik, yang biasa disebut sebagai
persamaan regresi. Oleh karenanya persamaan regresi disebut juga sebagai persamaan matematik yang
memungkinkan peramalan nilai suatu variable terikat dari nilai variable bebas.
Analisis regresi dapat dibagi pada:
a. Analisis Regresi Linier:
a. Analisis Regresi Linier Sederhana, variable bebas hanya satu
b. Analisis Regresi Linier Berganda, variable bebas lebih dari satu
b. Analisis Regresi Non Linier

Adapun analisis korelasi adalah studi yang membahas tentang derajat hubungan antara variable-
variabel. Ukuran yang dipakai untuk mengetahui derajat hubungan ini secara kuantitatif, biasa disebut
sebagai koefisien korelasi.

2. Penaksiran Koefisien Regresi Linirer Sederhana

Persamaan regresi linier sederhana untuk data populasi biasa dinyatakan dalam bentuk persamaan
matematik sbb:

Y = α + βX

Berdasarkan data sampel akan diestimasi persamaan regresi liniersederhana, dimana persamaan regresi
linier sederhana ini biasa dinyatakan dalam bentuk persamaan matematik sbb:

Y = a + bX

Dimana:
Y = variable terikat
X = variable bebas
a = nilai konstanta
b = nilai koefisien arah regresi

Untuk menghitung nilai-nilai koefisien regresi (a dan b), dapat digunakan dengan metode:

a. Metode Tangan Bebas

Metode ini dilakukan dengan membuat diagram pencar terlebih dahulu. Dengan memperhatikan
sebaran titik-titik dalam diagram pencar, bentuk regresi dapat diperkirakan.
16
14
12
10
8
6
4
2
0
1 2 3 4 5 6 7 8 9

(1) Hubungan Positif

16
14
12
10
8
6
4
2
0
1 2 3 4 5 6 7 8 9

(2) Hubungan Negatif

30

25

20

15

10

0
1 2 3 4 5 6 7 8 9

(3) Hubungan kuadratik

 7
6
5
4
3
2
1
0
1 2 3 4 5 6 7 8 9

(4) Tidak Ada Hubungan

b. Metode Kuadrat Terkecil

Metode yang paling banyak digunakan adalah metode kuadrat terkecil. Dengan menggunakan metode
ini, nilai a dan b dapat diperoleh dengan menggunakan rumus:

3. Pengujian Koefisien Regresi Linier Sederhana

Pengujian kebermaknaan koefisien arah regresi linier sederhana dapat dilakukan dengan langkah-
langkah pengujian hipotesis sebagai berikut:

H0 : β = 0
H1 : β ≠ 0
Dengan statistic uji:

b− β
t=
Sb

Dimana:

2
2 sY . X
s=
b
∑ (X i ¿− X)2 ¿
n−1
¿- b 2 . S 2X )
2
sY . X =
n−2

Dengan derajat kebebasan (dk) = (n-2), criteria pengujian adalah: tolak hipotesis H 0 jika t ≥ t 1 – 1/2α atau
t ≤ -t 1 – 1/2α(atau p<α)

Pengujian koefisien arah regresi linier sederhana dapat juga dilakukan dengan menggunakan Analisis
Varians (ANAVA) sebagai berikut:

Sumber Variasi Dk JK RJK F

Regresi (a) 1 (∑ Y)2/n (∑ Y)2/n
Regresi (bIa) 1 JK (bIa) JK (bIa) RJK Regresi
(bIa)/RJK Residu
Residu n-2 ∑ Y2- (∑ Y)2/n - JK (bIa) (∑ Y2- (∑ Y)2/n - JK (bIa))/n - 2
Jumlah N ∑ Y2

Dimana:

JK (bIa) = b {∑ X i Y i −((∑ X i )(∑ Y i))/n }

Adapun pengujian kebermaknaan konstanta regresi linier sederhana dapat dilakukan dengan langkah-
langkah pengujian hipotesis sebagai berikut:

H0 : α = 0
H1 : α ≠ 0
Dengan statistic uji:

a−α
t=
Sa

Dimana:

s2Y . X
2 X 2 . s 2Y . X
s= +
a
n ∑ ( X i ¿−X )2 ¿

n−1
¿- b 2 . S 2X )
2
sY . X =
n−2

Dengan derajat kebebasan (dk) = (n-2), criteria pengujian adalah: tolak hipotesis H 0 jika t ≥ t 1 – 1/2α atau
t ≤ -t 1 – 1/2α(atau p<α)

4. Penaksiran Koefisien Korelasi Linier Sederhana

Besarnya koefisien korelasi linier sederhana dapat dihitung dengan menggunakan rumus di bawah ini:

Bentuk lain yang dapat digunakan adalah:

r =√ 1−S Y . X /SY
2 2

bS x
r=
Sy

r
2
= b 1 b2
Terlihat bahwa 0 ≤ r2 ≤ 1 atau -1 ≤ r ≤ +1. Harga r = -1 menyatakan adanya hubungan linier sempurna tak
langsung antara X dan Y. Ini berarti bahwa semua harga X yang besar menyebabkan atau berpasangan
dengan Y yang kecil sedangkan harga X yang kecil berpasangan dengan Y yang besar. Harga r = +1
menyatakan adanya hubungan linier sempurna langsung antara X dan Y. Ini berarti bahwa semua harga
X yang besar menyebabkan atau berpasangan dengan Y yang besar sedangkan harga X yang kecil
berpasangan dengan Y yang kecil.Harga-harga r lainnya bergerak antara -1 dan +1 dengan tanda
negative menyatakan adanya korelasi tak langsung atau korelasi negative dan tanda positif menyatakan
korelasi langsung atau korelasi positif. Khusus untuk r = 0, dimaknakan bahwa tidak terdapat hubungan
linier antara X dan Y.

Nilai r2 dinamakan sebagai koefisien determinasi atau koefisien penentu. Dinamakan demikian oleh
karena 100 r2% daripada variasi yang terjadi dalam variable terikat Y dapat dijelaskan oleh variable
bebas X dengan adanya regresi linier Y atas X.

5. Pengujian Korelasi Linier Sederhana

Pengujian kebermaknaan koefisien korelasi dapat dilakukan dengan langkah-langkah pengujian hipotesis
sebagai berikut:

H0 : ρ = 0
H1 : ρ ≠ 0

Dengan statistic uji:

r √ n−2
t=
√1−r 2

Dengan dk = (n – 2) dan taraf nyata = α, hipotesis diterima jika

–t t
(1− α )< t< (atau p>α)
1 1
(1− )
2 2α

Besarnya koefisien korelasi selanjutnya dapat dikategorikan dengan menggunakan criteria Guilford
sebagai berikut:

r < 0,2 tidak ada korelasi

0,2 ≤ r < 0,4 korelasi rendah
0,4 ≤ r < 0,7 korelasi sedang
0,7 ≤ r < 0,9 korelasi tinggi
0,9 ≤ r < 1 korelasi tinggi sekali
r=1 korelasi sempurna
6. Soal Latihan Analisis Regresi Linier Sederhana

Suatu penelitian dilakukan untuk mengetahui hubungan antara tingkat kecerdasan (IQ) dengan prestasi
belajar (IPK) mahasiswa di suatu fakultas. Pengambilan data terhadap 30 mahasiswa di fakultas tersebut
memberikan hasil seperti terlihat dalam table berikut:

NO IQ IPK NO IQ IPK NO IQ IPK

1 105 2.45 11 13 3.00 21 129 2.89
0
2 100 2.55 12 12 3.10 22 124 2.78
9
3 112 2.67 13 13 3.23 23 120 2.80
5
4 117 2.70 14 13 3.30 24 130 3.00
6
5 123 2.80 15 13 3.30 25 131 3.00
9
6 126 2.90 16 14 3.34 26 135 2.90
0
7 127 3.00 17 13 3.40 27 132 3.23
5
8 130 3.20 18 12 3.24 28 140 3.50
8
9 125 3.00 19 13 3.12 29 135 3.45
0
10 132 3.15 20 13 3.11 30 129 3.00
0

Berdasarkan data tersebut, ingin diketahui apakah terdapat hubungan yang signifikan antara IQ dengan
IPK?

Penyelesaian:

Hipotesis:

H0 : β = 0
H1 : β ≠ 0

Dengan statistic uji:

b− β
t=
Sb
Dimana:

2
2 sY . X
sb =
∑ (X i ¿− X)2 ¿
n−1
¿- b 2 . S 2X )
2
sY . X =
n−2

Langkah Kerja:

1. Buka lembar kerja baru

2. Masukkan data dimana kolom pertama adalah IQ (X) dan kolom kedua adalah IPK (Y)
3. Simpan data dengan nama file: regkor
→ →
4. Tekan menu Anlyze ❑ Regression ❑ Linear
5. Masukkan IPK sebagai Dependent Variables dan IQ sebagai Independent Variables
6. Klik OK

Output:
Regression

Variables Entered/Removedb

Variables Variables
Model Entered Removed Method
1 IQa . Enter
a. All requested variables entered.
b. Dependent Variable: IPK

Terlihat bahwa yang dimasukkan sebagai variable bebas adalah IQ dan variable terikat adalah IPK.

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .882a .777 .769 .12599
a. Predictors: (Constant), IQ

Dari table di atas terlihat bahwa nilai koefisien korelasi adalah 0,882 dan nilai koefisien determinasi
adalah 0,777. Hal ini berarti bahwa 77,7 % variasi dalam IPK dapat dijelaskan oleh IQ.
ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 1.549 1 1.549 97.598 .000a
Residual .444 28 .016
Total 1.994 29
a. Predictors: (Constant), IQ
b. Dependent Variable: IPK

Tabel di atas menunjukkan bahwa hasil analisis varians menghasilkan nilai F = 97,598 dengan p =0,000
yang berarti bahwa terdapat hubungan linier antara IQ dengan IPK.

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -.119 .320 -.371 .713
IQ .025 .002 .882 9.879 .000
a. Dependent Variable: IPK
Tabel di atas menunjukkan bahwa besarnya koefisien arah regresi = 0,025 dan besarnya konstanta
adalah -0,119. Dengan demikian model regresi linier sederhana yang diperoleh adalah:

Y = -0,119 + 0,025 X

Hasil uji signifikansi juga menunjukkan bahwa koefisien arah regresi signifikan pada taraf nyata α = 0,01.
Dengan demikian dapat disimpulkan bahwa rata-rata IPK akan bertambah sebesar 0,025 jika terdapat
peningkatan IQ sebesar satu satuan.

7. Soal Latihan Analisis Korelasi Linier Sederhana

Dengan menggunakan data yang sama dengan data pada bagian 6, akan diuji hubungan antara IQ
dengan IPK dengan hipotesis:

H0 : ρ = 0
H1 : ρ ≠ 0

Dengan statistic uji:

r √ n−2
t=
√1−r 2

Dengan dk = (n – 2) dan taraf nyata = α, hipotesis diterima jika – t (1− 1 α )< t <t (1− 1 ) (atau p>α)
2 2α

Langkah Kerja:
1. Buka file data regkor.sav
→ →
2. Tekan menu Anlyze ❑ Correlate ❑ Bivariate
3. Masukkan IQ dan IPK ke dalam Variables
4. Klik Pearson, Two Tailed dan Flag Significant Correlation
5. Klik OK
Output:

Correlations
Correlations

IQ IPK
IQ Pearson Correlation 1 .882**
Sig. (2-tailed) . .000
N 30 30
IPK Pearson Correlation .882** 1
Sig. (2-tailed) .000 .
N 30 30
**. Correlation is significant at the 0.01 level
(2-tailed).

Dari table di atas terlihat bahwa besarnya korelasi antara IQ dengan IPK adalah 0,882. Dari table
tersebut terlihat pula bahwa korelasi ini signifikan pada taraf nyata α = 0,01,. Dapat disimpulkan bahwa
terdapat hubungan yang signifikan antara IQ dengan IPK.
Soal-soal Latihan:

1. Suatu penelitian dilakukan untuk mengetahui hubungan antara usia dengan kecepatan reaksi pada
supir angkotan kota di kota Bandung. Pengambilan data terhadap 20 supir angkutan kota
memberikan hasil sebagai berikut:

No Usia Waktu Reaksi No Usia Waktu Reaksi

(tahun) (detik) (tahun) (detik
1 20 45 11 23 47
2 23 47 12 26 50
3 26 56 13 29 56
4 30 68 14 32 65
5 34 57 15 37 60
6 37 68 16 39 69
7 39 78 17 43 76
8 42 89 18 47 90
9 45 67 19 49 95
10 47 80 20 52 97

a. Hitunglah model regresi linier sederhana dari data tersebut!

b. Ujilah model regresi linier sederhana tersebut pada taraf nyata α = 0,05
c. Hitunglah koefisien korelasi linier sederhana dari data tersebut!
d. Ujilah koefisien korelasi linier sederhana tersebut pada taraf nyata α = 0,05

2. Penelitian terhadap penghasilan dan masa kerja karyawan di PT. X memberikan hasil sebagai
berikut:

No Penghasilan Masa Kerja No Penghasilan Masa Kerja

(juta) (tahun) (juta) (tahun)
1 2 1 13 1,8 1
2 2,5 1 14 2,4 2
3 2,7 2 15 2,6 2
4 2,9 2 16 3 2
5 3,2 2 17 3 3
6 3,5 3 18 3,5 4
7 3,7 3 19 3,5 3
8 3,9 4 20 3,7 3
9 4,0 4 21 3,9 4
10 4,5 4 22 4 4
11 5 5 23 4,2 5
12 5 5 24 4,4 4
a. Tentukan model regresi linier sederhana antara Penghasilan dengan Masa Kerja!
b. Ujilah apakah model regresi linier sederhana dapat digunakan dalam penelitian tersebut!
c. Berapa besar penghasilan yang dapat diharapkan, jika seorang karyawan mempunyai masa kerja
selama 3 tahun?
d. Berapa besarnya variasi penghasilan yang dapat dijelaskan oleh masa kerja?