RESUME KORELASI DAN REGRESI

Diajukan untuk memenuhi salah satu tugas Mata Kuliah Statistika Terapan yang diampu oleh
Dosen: Dr. Achmad Samsudin, S.Pd., M.Pd.

Disusun oleh:
Sri Zakiyah (2208152)

PROGRAM STUDI MAGISTER PENDIDIKAN FISIKA

FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PENDIDIKAN INDONESIA
BANDUNG
2022
Tugas Statistika Terapan Pertemuan Ke-8
Nama : Sri Zakiyah
NIM : 2208152
Analisis Korelasi dan Regresi

A. Korelasi
a. Analisis Korelasi
Kolerasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran
asosiasi (Subandriyo, 2020). Pengukuran asosiasi merupakan istilah yang umum yang
mengacu pada sekelompok teknik dalam statistika bivariat yang digunakan untuk mengukur
kekuatan hubungan antara dua variable. Misalkan Apakah status sosial ekonomi (SES) siswa
berhubungan dengan kecerdasan siswa tersebut? Pertanyaan ini menyangkut hubungan
antara dua variabel. Pertanyaan mendasar ini tidak dapat dijawab dari informasi univariat
saja (Misalkan hanya dengan memeriksa distribusi frekuensi, rata-rata atau varians).
Analisis korelasi adalah suatu cara atau metode untuk mengetahui ada atau tidaknya
hubungan linear antar variabel. Apabila terdapat hubungan maka perubahan-perubahan yang
terjadi pada salah satu variabel X akan mengakibatkan terjadinya perubahan pada variabel
lainnya (Y). Contoh kasusu penelitian dalam Pendidikan Fisika dalam menguji kolerasi
misalnya kolerasi antra minat belajar fisika dengan prestasi belajar fisika siswa. Dalam
contoh ini yang menjadi variable X adalah minat belajar Fisika Siswa dan yang menjadi
variable Y adalah prestasi belajar fisika siswa. Hubungan asosiasi antara varibel X dan Y
dapat terdistribusi ke dalam beberapa bentuk. Berikut beberapa bentuk ilustrrasinya dalam
grafik X terhadap Y (Minimum, 1993).
 Gambar1. Hubungan Asosiasi Variabel X dan Y (Sumber: Minium, 1993)
Ket:
(a) : Tidak ada korelasi (0)
(b dan e) : koefisien korelasinya kecil / korelasi Lemah
(c dan d) : koesifien korelasi (+1/-1) / korelasi kuat
(f, g dan h) : korelasi tidak linier
b. Teknik Analisis Korelasi
Teknik Analisis Korelasi linier sederhana
Teknik untuk mengetahui ada atau tidaknya korelasi antara 2 variabel dapat dilakukan
melalui beberapa cara diantaranya adalah 1) membuat diagram pencar dan 2) menghitung
koefisien korelasi.
Analisis korelasi dapat diketahui hubungan antarvariabel tersebut, yaitu merupakan suatu
hubungan kebutuhan atau memang hubungan yang sebenarnya.
Korelasi positif adalah korelasi dari dua variabel, yaitu apabila variabel yang satu (X)
meningkat atau menurun maka variabel lainnya (Y) cenderung untuk
meningkat atau menurun pula.
Korelasi negatif adalah korelasi dari dua variabel, yaitu apabila variabel yang satu (X)
meningkat atau menurun maka variabel lainnya (Y) cenderung menurun
atau meningkat.
Korelasi sempurna adalah korelasi dari dua variabel, yaitu apabila kenaikan atau penurunan
variabel yang satu (variabel X) berbanding dengan kenaikan atau penurunan
variabel lainnya (variabel Y)
Tidak ada korelasi terjadi apabila kedua variabel (X dan Y) tidak menunjukkan adanya
hubungan
1) Scatterplots (Diagram Pancar)
Diagram pencar adalah sebaran nilai-nilai dari variabel – variabel pada sumbu x dan y.
Sebuah scatterplot mengungkapkan adanya hubungan antara dua variabel. Semakin kuat
hubungan linier antara dua variabel, semakin banyak titik data mengelompok sepanjang
garis lurus imajiner.
2) Analisis Koefisien Kolerasi ®

Scatterplots memang informatif, tetapi itu tidak cukup. Sama seperti angka
tunggal dapat menggambarkan tendensi sentral atau variabilitas dari distribusi univariat,
angka tunggal juga dapat mewakili derajat dan arah hubungan linier antara dua variabel.
Koefisien korelasi sederhana merupakan indeks atau bilangan yang digunakan
untuk mengukur keeratan (kuat, lemah atau tidak ada) hubungan antarvariabel.
Koefisien korelasi memiliki nilai antara -1 dan +1.
 Jika r bernilai positif maka variabel-variabel berkorelasi positif. Semakin dekat
nilai r ke +1 semakin kuat korelasinya, demikian pula sebaliknya.
 Jika r bernilai negatif maka variabel berkorelasi negatif. Semakin dekat nilai r ke
-1 semakin kuat korelasinya, demikian pula sebaliknya.
  Jika r bernilai 0 (nol) maka variabel-variabel tidak menunjukkan korelasi
 Jika r bernilai +1 atau -1 maka variabel-variabel menunjukkan korelasi positif
atau negatif yang sempurna.
Untuk menentukan keeratan korelasi antarvariabel berikut ini berikat nilai-nilai dari
koefisien korelasi (r)
 r = 0 maka tidak ada korelasi
 0 < r ≤ 0,20 maka korelasi sangat lemah
 0,20 < r ≤ 0,40 maka korelasi rendah
 0,40 < r ≤ 0,70 maka korelasi yang cukup berarti
 0,70 < r ≤ 0,90 maka korelasi yang tinggi, kuat
 0,90 < r < 1,00 maka korelasi sangat kuat
 R = 1 maka korelasi sempurna
a) Covarians
Analisis Kovarians terbatas pada hubungan yang linear antara dua variable. Sebagian
besar ilmu perilaku varibelnya memiliki hubungan linear, dan lebih dari 95% koefisien
kolerasi yang ditemukan adalah koefisien kolerasi Pearson (Glass & Hopkins, 1996, hlm.
110).

Cov=
∑ ( X −X )(Y −Y )
n …….…................ (1)
Keterangan:
Cov=¿ kovarians
X =¿ Variabel X
Y =¿Variabel Y
X =¿ Rata-rata Variabel X
Y =¿ Rata-rata Variabel Y
n=¿Jumlah sampel
Berdasarkan analisis diatas didapatkan bahwa hubungan asosiasi antara dua varibel
dengan menggunakan covarian masih memiliki banyak kekurangan. Karena persamaan
kovarian masih bergantung pada skala dari variable yang terkait. Karl Pearson, dengan
bantuan penting dari Sir Francis Galton dan beberapa orang lain, datang dengan solusi pada
tahun 1896 (Minium, 1993).  

b) Koefisien Korelasi Pearson

Karl Pearson menunjukkan bahwa efek skala yang ada pada persamaan kovarian dapat
ditiadakan jika kovarians dibagi dengan produk dari dua standar deviasi. Hasilnya adalah
ukuran asosiasi skala-independen, dan dikenal sebagai koefisien korelasi produk-momen
Pearson. Koefisien Koefisien Korelasi Pearson adalah indeks atau angka yang digunakan
untuk mengukur keeratan hubungan antara dua variabel yang datanya berbentuk data
interval atau rasio. Koefisien korelasi person dapat ditetukan dengan 2 metode :

Metode Least Square Metode Product Moment

Ket:
r = koerfisien korelasi
x = deviasi rata-rata variable X = X-X
y = deviasi rata-rata variable Y = Y-Y

c) Koefisien Korelasi Rank Spearman

Koefisien Korelasi Rank Spearman adalah indeks atau angka yang digunakan untuk
mengukur keeratan hubungan antara dua variabel yang datanya berbentuk ordinal (data
bertingkat/data rangking).

Ket:
rs = koefisien korelasi rank spearman
d = selisih dalam ranking
n = banyaknya pasangan rank

d) Koefisien Kolerasi Biserial

Kolerasi biserial diberi notasi r bis adalah teknik kolerasi yang dirancang untuk
menganalisis hubungan antara dua variable, dimana varibel kuantitatif X da variable
dikhotomi buatan Y. Variabel Y berasal dari varibel kuantitatif yang berdistribusi normal
atau mendekati normal. Misalnya nilai test Fisika dibuat dalam dua kategori yaitu lulus
dan tidak lulus (1,0). Kemudian dihitung kolerasi antara varibel kuantitatif X (IQ) dan
Variabel dikotomi Y (lulus dan tidak lulus mata kuliah statistika)
Koefisien kolerasi biserial dinyatakan dengan persamaan
X p− X q pq
r bis = ( )
St y
Keterangan
St =¿ Standar deviasi skor total variable kuantitatif X
p=¿ proporsi utuk kategori 1
q=¿ proporsi untuk kategori 0
 X p =¿ rerata X kelompok “lulus”
X q = rerata X kelompok “tidak lulus”
y = ordinat dari z yang luas kurva normal yang berbanding p dan 1
Langkah Langkah analisis:

1. Menghitung proporsi dair masing masing nilai observasi dua kategori. Misalkan
proporsi yang mempunyai nilai 1 adalah p dan nilai 0 adalah q. karena ada dua
kategori maka p+q = 1
2. Menghuitung rerata X yang mempunyai kategori 1 dan rerata X yang mempunyai
kategori 0, yaitu X p dan X q
3. Menghitung standar deviasi dari skor total X yaitu St

e) Koefisien Kolerasi Point Biserial

Kolerasi point biserial, diberi notasi r pbi adalah kolerasi antara dua variabel dimana
varibel pertama berupa data interval atau rasio dan varibel kedua merupakan dikotomi.
Yang membedakan dengan kolerasi biserial adalah data diskrit yang digunakan adalah data
diskrit murni. Missal benar/salah, laki-laki/perempuan. Kolerasi point biserial biasa
digunakan untuk menvalidasi soal
Persamaan koefisien kolerasi point biserial sebagai berikut
X − Xq
r pbi = p √ pq
St
Keterangan
St =¿ Standar deviasi skor total variable kuantitatif X
p=¿ proporsi utuk kategori 1
q=¿ proporsi untuk kategori 0
X p =¿ rerata X kelompok 1
X q = rerata X kelompok 0

f) Koefisien Korelasi Rank Kendall

Koefisien korelasi rank kendall merupakan pengembangan dari koefisien korelasi rank
spearman. Disimbolkan dengan (τ) koefisien korelasi ini digunakan pada pasangan variabel
atau data X dan Y dalam hal ketidaksesuaian rank, yaitu untuk mengukur ketidakteraturan.
Keofisien korelasi rank kendall dirumuskan :

Langkah-langkah dalam menyelesaikan koefisien korelasi rank Kendall.

1. Nilai pengamatan dari variable yang akan diukur diberi ranking dari terbesar sampai
terkecil. Jika rangking sama diambil nilai rata-ratanya.
 2. Tentukan nilai patokan berurut dengan menyusun salah satu dari nilai rangking
tersebut secara berurutan, dimulai dari pertama, kedua dan seterusnya dalam
menghitung nilai konkordansi dan diskordansi.
3. Tentukan nilai konkordansi (+1) dan nilai diskordansi (-1) dari nilai-nilai rangking
yang bukan patokan.
4. Tentukan nilai S dengan menjumlahkan nilai konkordasi dan diskordansi tersebut.
5. Hitunglah nilai koefisien korelasi rank kendall dengan rumus diatas.

g) Koefisien Korelasi Bersyarat (Koefisien Kontingensi)

Koefisien korelasi bersyarat digunakan untuk data kualitatif, dirumuskan dengan:

Dimana

Teknik Analisis Korelasi linier Berganda

Pada hubungan linear dua variabel, perubahan satu variabel dipengaruhi oleh lebih
dari satu variabel lain. Korelasi linear berganda merupakan alat ukur mengenai hubungan
yang terjadi antara variabel terikat (Y) dengan dua atau lebih variabel bebas (X1,X2,...,Xn).
Koefisien Korelasi Linear Berganda adalah indeks atau angka yang digunakan untuk
mengukur keeratan hubungan antara tida variabel atau lebih.

B. Regresi
Analisis Regresi
Analisis regresi sangat erat kaitannya dengan memprediksi suatu nilai pada satu variable
berdasarkan variable lain. Kadir, 2017 mengatakan bahwa Analisis Regresi bertujuan untuk
mempelajari “pengaruh” variable bebas (Predictor) terhadap variable tak bebas (criterion).
Supriadi (2021) mengistilahkan variable bebas dengan dengan variable independent (X) dan
varibel yang ingin diprediksi sebagai varibel independent.
Regresi dan kolerasi memiliki kaitan yang sangat erat. Untuk setiap kasus yang memiliki
koefisien kolerasi r =1 setiap kasus akan jatuh tepat pada garis regresi, dan prediksi akan
tanpa kesalahan. Tetapi ketika korelasinya tidak sempurna, seperti dalam contoh sekarang,
pasti akan ada kesalahan prediksi. Ini bukan kesalahan seperti dalam membuat kesalahan
dalam perhitungan. Sebaliknya, hanya ada perbedaan antara nilai aktual dan prediksi Y.
Semakin rendah korelasinya, semakin besar kesalahan prediksi (Minium, 1993).

Gambar 2. Garis prediksi regresi (sumber: minium, 1993)

Terlihat dari hasil garis regresi IPK aktual Katy dan Jane turun jauh diatas dan
dibawah 2,78.
Berdasarkan pemaparan diatas maka dalam melakuikan analisis regresi terdapat dua
tugas utama yaitu 1) memprediksi nilai pada satu variable dari nilai pada variable lain 2)
menentukan margin kesalahan predisi (Minium 1993).
Teknik Analisis Regresi
Regresi linier sering digunakan untuk melihat nilai prediksi atau perkiraan yang akan
dating. Apabila X dan Y mempunyai hubungan, maka nilai X yang sudah diketahui dapat
digunakan memperkirakan Y. Perkiraan mengenai terjadinya sesuatu kejadian (nilai variabel
untuk waktu yang akan datang, seperti prediksi produksi 3 tahun yang akan datang, prediksi
harga bulan depan, ramalan jumlah penduduk 10 tahun mendatang, ramalan hasil penjualan
tahun depan). Ramalan mengetahui suatu kejadian baik secara kualitatif (akan turun hujan,
akan terjadi perang, akan lulus ujian). Secara Kuantitatif (produksi padi akan mencapai 16
juta ton, indek harga 9 bahan pokok naik 10%, penerimaan devisa turun 5%). Melakukan
peramalan adalah dengan mengunakan garis regresi.
Variable Y yang nilainya akan diramalkan disebut variable tidak bebas (dependent
variable) Sedangkan variable X yang nilainya digunakan untuk meramalkan nilai Y disebut
variable bebas (independent variable) atau variable peramal (predictor) dan sering kali
disebut variable yang menerangkan (exsplanatory).
Jenis Analisis Regresi, diantaranya:
1. Regresi linier jika hubungan antara variabel bebas terhadap variabel tak bebas
berbentuk linier
 Regresi Linier Sederhana : Y^ =a+bX
a=¿ ¿
 n ∑ X i Y i−(∑ X i ) ( ∑ Y i )
b=
n ∑ X i2 −( ∑ X i ) 2
Contoh regresi Linier sederhana dalam Fisika:
- Pengaruh motivasi peserta didik terhadap prestasi belajar fisika di SMA
kemala bhayangkara 01 surabaya
- Pengaruh Respon Model Discovery Learning Berbasis Media Aplikasi
Simply-Interactive Terhadap Kemampuan Berpikir Kritis Siswa di SMAN
11 Samarinda
 Regresi linier berganda : Y^ =a+b1 X 1 +b 2 X 2 +b 3 X 3
b 1=¿ ¿
b 2=¿ ¿
a=Y −b1 X 1 +b2 X 2
Contoh regresi Linier sederhana dalam Fisika:
- Pengaruh motivasi dan minat belajar peserta didik terhadap prestasi belajar
fisika di SMA X
- Pengaruh minat Belajar Fisika dan perhatian orang tua dengan prestasi
belajar fisika siswa

2. Regresi tidak linier jika hubungan antara variabel bebas terhadap variabel tak
berbentuk linier
 Analisis Regresi Model Polinom
2 k
y=c 0+ c 1+ c2 x + …+c k x
dimana ci i = 0, 1, 2, . . ., k ( yang harus bilangan bulat positif ) adalah
konstanta
Model Polinom (Derajat Dua)
Y^ =a+bX + c X
2

a, b dan c dapat dihitung dengan persamaan

2
ΣY i=na+b Σ X i +c Σ X i
2 3
Σ X i Y i =a Σ X i+ b Σ X i + c Σ X i
2 3 4
Σ X i Y =a Σ X i + b Σ X i + c Σ X i

 Analisis Regresi Model Eksponen

Y^ =a b
x

log ^y =loga + log ( b ) X

Apabila diambil Ŷ * = log Ŷ, a* = log a, dan b* = log b, maka diperoleh
 Ŷ * = a* + b* X
Σ log Y i Σ Xi
log a= −( log b)( )
n n
n ( Σ X i log Y i ) −( Σ X i ) Σl og Y i
log b=
n Σ X i2−( Σ X i)2
 Analisis Regresi Model Geometrik
^ =a b x
Y
log ^y =loga + log ( b ) X
Σ log Y i Σ log X i
log a= −b
n n
log b=n ¿ ¿
  Analisis Regresi Model Logistik
1
Y^ = x
ab
Dapat dibuat:
1
log =loga+ log ( b ) X
Y^

 Analisis Regresi Model Hiperbola

1
Y^ =
a+ bX
Dapat dibuat:
1
=a+bX
Y^