MODUL VI

ANALISA REGRESI DAN KORELASI

6.1 Tujuan Praktikum

1. Praktikan dapat menghitung persamaan regresi linier sederhana serta

menginterpretasikan arti dari persamaan regresi dan standart error dari
estimasi – estimasi untuk analisis regresi linier sederhana.
2. Praktikan dapat menghitung persamaan regresi linier berganda serta
menginterpretasikan arti dari persamaan regresi dan standart error dari
estimasi – estimasi untuk analisi regresi linier berganda.
3. Praktikan dapat menghitung dan menganalisa koefisien korelasi antar
variabel.

6.2 Landasan Teori

Memodelkan hubungan antara variabel-variabel. Terdapat dua variabel

yang saling behubungan dalam analisa regresi yaitu variabel bebas dan
variabel terikat. variabel bebas adalah variabel yang menyebabkan atau
mempengarui sedangkan variabel terikat variabel yang dipengaruhi. Dalam
landasan teori ini yang dibaha mengenai regresi yaitu regresi linier dan
regresi berganda. Kedua regresi ini memiliki perbedaan antara satu dengan
yang lainnya.

Regresi Linier Sederhana

Persamaan regresi adalah persamaan matematik yg memungkinkan untuk

meramalkan nilai-nilai suatu peubah tak bebas dari nilai-nilai satu atau lebih
peubah bebas. Regresi diterapkan pada semua jenis peramalan, dan tidak
beimplikasi suatu regresi mendekati nilai tengah populasi (Walpole, 1996).

Y = a + bx
Bila diberikan data contoh [(xi,yi); I = 1,2 … n], maka nilai dengan kuadrat
kecil bagi parameter dalam garis regresi, yaitu :

y’ = a + bx

dapat diperoleh dari rumus :

n
b = ∑ xi yi−¿ ¿ ¿
i=1

Dan

a = ŷ - b ⃗x

Dimana : a = intersep / perpotongan dengan sumbu tegak

b = Kemiringan

c = nilai ramalan yang dihasilkan garis regresi

Regresi Linier Berganda

Berbeda dengan regresi linier maka regresi berganda lebih kompleks (sulit)
untuk mencari persamaan regresi. Analisa regresi linier berganda digunakan
untuk mengukur pengaruh antara lebih dari satu variabel predikitor (variabel
bebas) terhadap variabel terikat.

Rumus :

Y = a + b 1 X 1+ b 2 X 2 + … + b n X n

Y = Variabel terikat

A = konstanta

b 1 , b 2 = koefisien regresi

X 1 , X 2 = variabel bebas

Sehingga perhitungan dapat menggunakan rumus sebagai berikut :

∑ Y = an + b 1 ∑ X 1 + b 2 ∑ X 2
∑ Y = an + b 1 ∑ X 1 + b 2 ∑ X 2
∑ X 2 Y =a ∑ X 2 +¿ b 1 ∑ X 1 X 2 +b 2 ∑ X 22
Analisa Kolerasi linier

Analisa kolerasi adalah sekumpulan teknik statistika yang digunakan

untuk mengukur kekuatan hubungan (kolerasi) antara dua variabel, demikian
memlalui sebuah bilangan yang disebut koefisien korelasi.didefinisikan
koefisien korelasi liner sebagai hubungan linier antara peubah acak X dan Y,
dan diambangkan dengan r. jadi, r mengukur sejauh mana titik
menggerombol sekitar sebuah garis lurus. Untuk menganalisis korelasi dapat
dilakukan dengan membuat diagram pancar (scatter plot diagram) dengan
sumbu datar variabel bebas (sumbu X) dan sumbu tegaknya adalah variabel
terikat yaitu sumbu Y, kemudian menentukan arah korelasi seperti pada
gambar dibawah ini :

Menurut Robert F. Walpole dalam bukunya pengantar statistika, 1996,

koefisien korelasi mempunyai ukuran hubungan linier antara dua peubah x
dan y sehungga rumus koefisien korelasi r yaitu :

n
Sx
r = n ∑ xi yi−¿ ¿ ¿ = b
i=1 Sy

koefisien korelasi memiliki nilai -1 sampai 1 dan nilai itu dibagu menjadi
lima tingkatan, yaitu :

 0,9 < 1,0 atau -0,9 < r < -1,0; korelasi sangat kuat
 0,7 < r < 0,9 atau -0,7 < r < -0,9; korelasi kuat
 0,5 < r < 0,7 atau -0,5 < r < -0,7; korelasi moderat / sedang
 0,3 < r < 0,5 atau -0,3 < r < 0,5 ; korelasi lemah
 0,0 < r < 0.3 atau -0,0 < r < -0,3 ; korelasi sangat lemah

Dalam analisis korelasi terdapat koefisien determinasi yang

menunjukkan kemampuan variabel independent X mempengaruhi variabel
dependen Y.

Standar Estimasi (Standar Error atau Kesalahan Baku)

 Standar estimasi adalah suatu ukuran yang mengukur ketidakakuratan
penyebaran nilai-nilai pengamatan Y terhadap garis regrsinya ŷ

Rumus standar error :

S xy =
√ ∑ Y 2−a ∑ Y −b ∑ XY
n−2

Dimana :
S xy= standar estimasi variabel Y berdasarkan variabel X yang diketahui.
n = JUmlah sample, derajat bebas n-2 karena terdapat dua parameter yang
akan diduga yaitu a dan b

sedangkan untuk masing-masing koefisien, a dan b adalah :

Sb = S x . y
¿¿

Sa = √ ¿ ¿ ¿

Dimana Sa dan Sb merupakan standar estimasi untuk a dan b.

Uji signifikansi parameter individu (uji statistic t)

Uji statistic t pada dasrnya menunjukan seberpa jauh pengaruh satu

variabel penjelas/independent secara individual dalam menerangkan variasi
variabel dependen. Misalnya :

Hipotesis no (Ho) yang hendak di uji apakah suatu parameter (bi) sama
dengan nol.

Ho : bi = (artinya apakah suatu variabel independen bukan merupakan

penjelas yang signifikan terhadap variabel dependen)
Sedangkan hipotesis alternatifnya (HA) parameter suatu variabel tidak sama
dengan nol.

HA : bi # 0 (artinya variabl tersebut merupakan penjelas yang signifikan

terhadap variabel dependen).

Untuk menguji signifikasi pengaruh variabel x terhadap y digunakan uji t

dengan rumus sebagai berikut :

r √ n−2
Rumus t hitung : t =
√ 1−r 2
Rumus t tabel ; t a df (n-2)
Dimana:
t = t hitung uji signifikan
r = koefisien korelasi
n = jumlah periode
dengan keriteria pengujian sebagai berikut :
H 0diterima apabila t test ≥ t tabel
H 0 ditolak apabila t test ≤ t tabel
6.3 Pengumpulan Data
6.3.1 Studi Kasus 1

Seorang manajer departemen pemasaran suatu perusahaan ingin

mengetahui apakah harga jual berpengaruh untuk meningkatkan
penjualan? Berikut data biaya promosi dan volume penjualan
dalam 12 bulan terakhir.

Tabel 6.1 studi kasus 1

No. Harga Jual (ribu) Volume Penjualan

(ribu)
1 395
120
2 110 494

3 124 342

4 150 340

5 152 238

6 134 320

7 135 325

8 100 700

9 148 297

10 125 344

11 118 462

12 105 548

a. Buatlah persamaan regresi y = a+bx

b. Ujilah koefisien regresi dengan α = 5% dan uji t

c. Ujilah keberartian model tersebut dengan uji F (ANOVA)

d. Apa kesimpulan dari hasil b dan c, bandingkan

e. Hitunglah koefisien korelasi, koefisien determinasi dan apa artinya?
6.3.2 Studi Kasus 3

PT. Subaka ingin mengetahui hubungan antara kebisingan dan ketrampilan

operator apakah mempengaruhi jumlah kecacatan produk atau tidak. Data
yang diambil tercatat seperti berikut:
Tabel 6.3 kasus 3
No Kebisingan Ketrampilan Jumlah cacat
(dB) Operator (%)

1 50 90 2

2 60 70 9

3 70 80 5

4 100 86 8

5 80 94 8

6 80 78 4

7 108 68 12

8 70 83 6

9 70 84 5

10 60 91 3

11 80 96 8

12 70 84 2

13 85 77 7

14 114 89 15

15 100 83 9

16 105 98 7
 17 90 75 7

18 80 80 3

19 90 94 4

20 100 96 9

X = NIM
Y = Nomer Kelompok
a. Buatlah persamaan regresi linier bergandanya
b. Ujilah keberartian model tersebut dengan uji F (ANOVA) α = 2,5%
c. Hitunglah koefisien korelasi, koefisien determinasi dan apa artinya

6.4 Pengolahan Data

6.4.1 Studi Kasus 1 menggunakan software
1. Buka software SPSS lalu masukkan variabelnya pada variable view

Gambar 6.1 Gambar SPSS Pengisisan Variabel

2. Klik data view masukkan data berdasarkan soal pada tiap variable
 Gambar 6.2 Gambar SPSS Pengisisan Data

3. Lalu klik Analize > Regression > linier

Gambar 6.3 Gambar SPSS Proses Penghitungan Regresi Sederhana

4. Lalu pilih variable Y dan X yang akan di masukkan pada dependent
dan independent lalu klik Statistics lalu centang Descriptives >
centang casewise diagnostics lalu all cases > klik continue
 Gambar 6.4 Langkah-langkah

5. Klik Options > Use Probability Of F Inputkan Entry : 0.05 Lalu

Pada Removal : 0.10 > klik Include Constant In Equation > klik
Exclude Cases Listwise >klik continue

Gambar 6.5 Langkah-langkah

6. Kemudian pilih button Plots, lalu akan muncul kotak dialog Linear
Regression: Plots. Masukkan variabel ZPRED kedalam kotak Y
dan SDRESID kedalam kotak X, centang kotak Normal probability
plot, centang juga kotak Produce all partial plots kemudian pilih
Continue
 Gambar 6.6Langkah-langkah

7. Klik OK, lalu akan keluar hasilnya

Gambar 6.7 Hasil menggunakan software

Interpretasi :
Dari output tabel statistik deskriptif diketahui jumlah data (N) volume
jual, dan harga jual adalah 12. Untuk rata-rata volume penjualan sebesar
400,42 dengan tingkat keseragaman adalah 129,188. Untuk rata-rata
harga produk sebesar 126,75 dengan tingkat keragaman sebesar 17,457.

Gambar 6.8 Hasil menggunakan software

Interpretasi :
Dari tabel di atas bahwa besar hubungan antara variabel volume jual
dengan harga jual adalah -0,885 artinya hal ini menunjukkan hubungan
korelasi yang sangat lemah (-0,0<r<-0.3); Besar hubungan antara
variabel harga jual dengan volume jual adalah -0,885 artinya hal ini
menunjukkan hubungan korelasi yang lemah (-0,3<r<-0.5).

Gambar 6.9 Hasil menggunakan software

Interpretasi :
Dari tabel tersebut memberikan informasi bahwa hanya ada 1 (satu)
model regresi yang dihasilkan. Kolom variables entered menunjukkan
variabel yang dimasukkan adalah variabel bebas, yaitu harga produk
dan biaya promosi dan variable tergantung yaitu volume penjualan.
Kolom variables removed menunjukkan varibel yang dibuang atau
dipindahkan, pada tabel diatas tidak ada variable yang dibuang.
Kolom method ini memperlihatkan metode yang digunakan dalam
pengolahan data yaitu enter.

Gambar 6.10 Hasil menggunakan software

Interpretasi :
Pada tabel diatas diperoleh angka R sebesar 0,885a yaitu kolerasinya
moderat/sedang. Hal ini menunjukkan bahwa jika semakin tinggi nilai
 R maka nilai X akan mempengaruhi nilai Y. Dan angka R square
sebesar 0,782 atau 78,2%. Hal ini menunjukkan bahwa prosentase
pengaruh variabel bebas terhadap variabel terikat adalah sebesar
78,2%, sedangkan sisanya 22,12% dipengaruhi atau dijelaskan oleh
variabel lain yang tidak dimasukkan dalam model penelitian ini.
Standar error of estimate sebesar 8,541, artinya tingkat perkiraan
dalam meramal data kurang akurat karena penyimpangan yang terjadi
cukup besar.

Gambar 6.11 Hasil menggunakan software

Interpetasi :
Pada tabel diatas menjelaskan pada model regressions mempunyai
rata-rata sebesar 2622,679 dan mempunyai df dengan nilai 1. Pada
model residual mempunyai rata-rata sebesar 72,957 dan mempunyai
df dengan nilai 10. Dan kedua model tersebut memiliki F hitung
sebesar 35,948 dengan Sign 0,000b.

Gambar 6.11 Hasil menggunakan software

Interpetasi :
Hipotesis :
Ho: Koefisien regresi tidak signifikan.
 Hi : koefisien regresi signifikan.
Constant : Berdasarkan tabel di atas dapat dilihat bahwa nilai t hitung
untuk nilai constant yaitu 20,900. Pada nilai signifikan juga diketahui
sebesar 0,000 < 0,000 sehingga Ho ditolak yang artinya koefisien
regresi signifikan. komplain : berdasarkan tabel diatas nilai T hitung
untuk volume penjualan -5,996. Dan nilai signifikan 0,000 < 0,000
maka Ho ditolak, yang artinya koefisien regresi signifikan.

Gambar 6.12 Hasil menggunakan software

Interprestasi :
Nilai CIP yang diprediksi (Y’) dapat dilihat (kolom Predicted
Value). Sedangkan Residual (unstandardized residual) adalah selisih
antara CIP dengan Predicted Value, dan Std. Residual (standardized
residual) adalah nilai residual yang telah terstandarisasi (nilai
semakin mendekati 0 maka model regresi semakin baik dalam
melakukan prediksi, sebaliknya semakin menjauhi 0 atau lebih dari 1
atau -1 maka semakin tidak baik model regresi dalam melakukan
prediksi).
 Gambar 6.13 Hasil SPSS, Grafik Normal P-P Plot of Regression
Interprestasi :
Dari analisis kurva dapat dilihat bahwa data menyebar di sekitar
garis lurus dengan kemiringan positif.

Gambar 6.14 Hasil SPSS, Grafik Scatterplot

Interprestasi :
Dari gambar hasil dari output spss diatas dapat diketahui bahwa
tidak terjadi heteroskedastisitas sebab tidak ada pola yang jelas serta
titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y.
sehingga dapat dikatakan uji heteroskedastisitas terpenuhi.
6.4.3 Studi Kasus 4 menggunakan software
a. Memasukkan Data SPSS
Langkah dalam input data:
Dari menu utama file, pilih new, lalu ketik data. Klik tab sheet
variable view. Kemudian lakukan pengisian data sebagai berikut:
 Pengisian : Keterampilan pelayanan
Name. lalu klik ganda sel tersebut, dan ketik
Keterampilan_ruangan
Type. biarkan default numeric yang sudah ada
Widht. untuk keseragaman, sesuai default
Decimals. Untuk keseragaman, ketik 1
 Pengisian : Fasilitas ruangan
Name. Sesuai kasus, ketik Fasilitas_ruangan
Type. default numeric yang sudah ada
Width. Untuk keseragaman, ketik 8 (sesuai default)
Decimals. Untuk keseragaman, ketik 1.
 Pengisian : Kepuasan pelanggan
Name. Sesuai kasus, ketik Kepuasan_pelanggan
Type. default numeric yang sudah ada
Width. Untuk keseragaman, ketik 8 (sesuai default)
Decimals. Untuk keseragaman, ketik 1

Gambar 6.15 Pengisian Variable View untuk studi kasus 4

b. Kemudian pilih Data View yang ada di kiri bawah, lalu isi data
sesuai dengan data yang ada pada studi kasus 4.
 Gambar 6.16 Pengisian Data View untuk studi kasus 4
c. Setelah itu pilih Button Analyze, pilih Regression, lalu pilih Linear.
d. Setelah itu akan muncul kotak Dialog Linear Regression.
Masukkan Kepuasan_pelanggan kedalam variabel terikat
(Dependent) dan Ketrampilan_pelayanan, Fasilitas_ruangan
dimasukkan ke dalam variabel bebas (Independent).

Gambar 6.17 Kotak Dialog Linear Regression.

e. Setelah itu pilih Statistics, lalu di kotak dialog Linear Regression:
Statistics centang button Estimates, Model fit, Descriptives,
Casewise diagnostics lalu yang terakhir centang All cases lalu klik
Continue. Seperti pada di gambar di bawah ini.

Gambar 6.18 Kotak Dialog Linear Regression: Statistics

f. Kemudian pilih button Plots, lalu akan muncul kotak dialog Linear
Regression: Plots. Masukkan variabel ZPRED kedalam kotak Y
dan SDRESID kedalam kotak X, centang kotak Normal probability
 plot, centang juga kotak Produce all partial plots kemudian pilih
Continue.

Gambar 6.19 Kotak Dialog Linear Regression Plots

g. Setelah itu klik OK. Akan muncul semua perhitungan dengan
menggunakan software SPSS, seperti pada gambar di bawah ini.

Gambar 6.20 Hasil SPSS, Descriptive Statistics

Interpretasi :
Dari tabel Descriptive Statistics diketahui jumlah data (N)
Kepuasan_pelanggan, ketrampilan_pelayanan, dan fasilitas_ruangan
adalah 10. Untuk rata-rata Kepuasan_pelanggan sebesar 84,400
dengan standar deviasi 4,6236. Untuk rata-rata ketrampilan_pelayanan
sebesar 75,900dengan Standar Deviasi 10,2356. Serta untuk rata-rata
fasilitas_ruangan sebesar 90,500 dengan standar deviasi 6,7700.

Gambar 6.21 Model Summary

Interpretasi :
Pada tabel diatas diperoleh angka R sebesar 0,855a atau koefisien
korelasi sebesar 0,855a yaitu kolerasinya kuat. Hal ini menunjukkan
bahwa jika semakin tinggi nilai R maka nilai X akan mempengaruhi
nilai Y. Dan angka R square sebesar 0,73 atau 73%. Hal ini
menunjukkan bahwa prosentase pengaruh variabel bebas terhadap
variabel terikat adalah sebesar 73%, sedangkan sisanya 27%
dipengaruhi atau dijelaskan oleh variabel lain yang tidak dimasukkan
dalam model penelitian ini. Standar error of estimate sebesar 2,7218,
artinya tingkat perkiraan dalam meramal data bisa dikatakan akurat
karena penyimpanan yang terjadi rendah.

Gambar 6.22 ANOVA

Interpetasi :
Pada tabel diatas menjelaskan pada model regressions mempunyai rata-
rata sebesar 140,543 dan mempunyai df dengan nilai 2. Pada model
residual mempunyai rata-rata sebesar 51,857 dan mempunyai df dengan
nilai 7. Dan kedua model tersebut memiliki F hitung sebesar 9,486
dengan Sign 0,010a.

Gambar 6.23 Casewise Diagnostics

Interpretasi :
Volume penjualan yang diprediksi (Y’) dapat dilihat (kolom
Predicted Value). Sedangkan Residual (unstandardized residual)
adalah selisih antara volume penjualan dengan Predicted Value, dan
Std. Residual (standardized residual) adalah nilai residual yang telah
terstandarisasi (nilai semakin mendekati 0 maka model regresi
semakin baik dalam melakukan prediksi, sebaliknya semakin
menjauhi 0 atau lebih dari 1 atau -1 maka semakin tidak baik model
regresi dalam melakukan prediksi).

Gambar 6.24 Grafik Normal P-P Plot o Regression

Interprestasi :
Dari analisis kurva dapat dilihat bahwa data menyebar di sekitar
garis lurus dengan kemiringan positif.

Gambar 6.25 Grafik Partial Regression Plot

Interpretasi :
Dari analisis kurva dapat dilihat bahwa data menyebar secara acak.
Sehingga merupakan korelasi zero yang artinya tidak ada pengaruh
antara variable bebas (Keterampilan_pelayanan) dengan variable
terikat (Kepuasan_pelanggan)

Gambar 6.26 Grafik Partial Regression Plot

Interpretasi :
Dari analisis kurva dapat dilihat bahwa data menyebar secara acak.
Sehingga merupakan korelasi zero yang artinya tidak ada pengaruh
antara variable bebas (Fasilitas_ruangan) dengan variable terikat
(Kepuasan_pelangggan).
6.5 Kesimpulan
1. Regresi linier sederhana terdapat pada Studi Kasus 1. Dimana pada
persamaan tersebut dapat ditarik kesimpulan untuk F (ANOVA), F hitung
> F tabel, Ho ditolak. Maka ada pengaruh suhu ruangan terhadap jumlah
output yang dihasilkan. Kemudian untuk Standar error of estimate sebesar
68,055, artinya tingkat perkiraan dalam meramal data kurang akurat
karena penyimpangan yang terjadi cukup besar.
2. Regresi linier berganda terdapat pada nomer 4. Dimana pada persamaan
tersebut dapat ditarik kesimpulan untuk F (ANOVA), F hitung > F tabel,
Ho ditolak. Maka ada pengaruh ketrampilan pelayanan dan fasilitas
ruangan terhadap kepuasan pelanggan. Kemudian Standar error of
estimate sebesar 2,7218, artinya tingkat perkiraan dalam meramal data
bisa dikatakan akurat karena penyimpanan yang terjadi rendah.
3. Berdasarkan hasil perhitungan dapat diketahui bahwa :
Pada studi kasus 1 memiliki niari r sebesar 0,865. Sehingga hubungan
korelasinya lemah dengan nilai (-0,3 < r < -0,5). Artinya, semakin rendah
jumlah output maka kemungkinan semakin rendah pula tingkat suhu
ruangan.
Pada studi kasus 4 memiliki niari r sebesar 0,855. Sehingga hubungan
korelasinya kuat dengan nilai (0,7 < r < 0,9). Artinya, hubungan antara
ketrampilan pelayanan dan fasilitas ruangan terhadap kepuasan pelanggan
terbilang mempengaruhi dengan kuat.
6.6 Daftar Pustaka
Ronald E. Walpole dan Raymond H Mayers.edisi ke-4. Ilmu Peluang dan
Statistika untuk Insinyur dan Ilmuwan
Akhmad Fauzy. 2008 .Statistika industri