Regresi dan Korelasi

Tujuan Perkuliahan
Mampu mengetahui,
Mampu mengetahui menghitung dan
dan menghitung Mampu mengetahui apa menginterpretasikan
koefisien korelasi itu regresi dan koefisien determinasi
dalam teknik-teknik menentukan persamaan dalam teknik-teknik
analisis regresi linier regresi linier sederhana analisis regresi linier
sederhana. dari data yang diperoleh. sederhana.

1 3 5
2 4
Mampu menginterpretasikan Mampu menginterpretasikan
nilai dari koefisien korelasi. koefisien korelasi.
 Pokok Bahasan

1 3
Bahasan:

2
Bahasan:
Analisis korelasi Koefisien Determinasi

Bahasan:
Analisis regresi
Analisis Korelasi merupakan metode statistik yang digunakan
untuk mengukur besarnya hubungan linear antara dua variabel
(Walpole,2012).
• 𝑟𝑥𝑦 didefinisikan sebagai hubungan antara variabel acak x
dan variabel acak y.
• Boleh tidak bersifat kausal (sebab akibat).
• 𝑟 memiliki nilai antara -1 hingga 1
 Rumus Koefisien Korelasi

𝒏 σ 𝒙𝒚 − σ 𝒙 σ 𝒚
𝐫𝐱𝐲 =
𝒏 σ 𝒙𝟐 − σ 𝒙 𝟐 𝒏 σ 𝒚𝟐 − σ 𝒚 𝟐
Analisis Regresi merupakan salah satu metode statistik yang dapat
menentukan hubungan sebab-akibat antara satu variabel dengan
variabel yang lain.

Analisis Regresi digunakan untuk :

01
Mengetahui pola dan mengukur hubungan antara dua atau lebih
variabel.

02
Menjelaskan pengaruh perubahan yang terjadi pada variabel
independen terhadap variabel dependen.
Menghasilkan model matematik untuk memprediksi nilai
03 variabel dependen berdasarkan nilai dari variabel
independen.

Keterangan:
Variabel Dependen: variabel yang akan diprediksi atau dijelaskan (Y)
Variabel Independent: variabel yang menjadi penyebab (X)
 Regresi

Parameternya

Regresi Regresi
Linear Nonlinear

Banyak Variabel Independentnya

Regresi Linear Regresi Linear

Sederhana Berganda
 Data berskala interval atau rasio

Asumsi Linearitas

Asumsi Normalitas
Syarat analisis
regresi linear
Asumsi Homoskedastisitas

Asumsi Multikoleniaritas

Asumsi Autokorelasi
 Regresi Linear Sederhana

*
Hanya terdiri dari satu variabel independen (X)

Hubungan antara variabel X dan Y digambarkan

*
sebagai fungsi linier.

Perubahan pada Y diasumsikan disebabkan

*
oleh perubahan pada X

Konsep:
Analisis regresi linear sederhana mengenai hubungan antara
dua variable yang biasanya cukup tepat dinyatakan dalam suatu
garis lurus.
 Tipe-Tipe Hubungan
Hubungan Linier Hubungan Curvilinier

Y Y

Linear positif

X X

Y Y

Linear negatif

X X
 (lanjutan)

Hubungan Kuat Hubungan Lemah

Y Y

X X

Y Y

X X
 Population
𝒏 σ 𝑿𝒀−σ 𝑿 σ 𝒀 Independent Random
𝒃𝟏 = Dependent Population Slope
𝒏 σ 𝑿𝟐 − σ 𝑿 𝟐
Y intercept Coefficient Variable Error term
Variable
σ 𝒀 − 𝒃𝟏 σ 𝑿
𝒃𝟎 =
𝒏 Yi = β0 + β1Xi + ε i
b0 (intercept) adalah nilai estimasi rata – rata dari Y pada
saat X bernilai nol.
b1 (slope) adalah estimasi perubahan rata – rata nilai Y
Linear component Random Error
yang disebabkan oleh perubahan satu unit X. component

Ŷi = b0 + b1Xi

b0 dan b1 nilai duga dari 𝜷𝟎 dan 𝜷𝟏 yang

diperoleh dengan mencari terlebih dahulu
nilai b0 dan b1 yang dapat meminimalkan
perbedaan nilai sum of the squared antara Y
dan 𝐘 ෡ (metode kuadrat terkecil),
 Perbedaan Korelasi dan Regresi

Korelasi
• Menganalisis tingkat hubungan
• Boleh tidak bersifat kausal
(sebab akibat)
• Tidak harus ada variabel
independent dan variabel
dependent
• Menghasilkan koefisien korelasi
Regresi
• Menganalisis besar pengaruh
• Bersifat kausal (sebab akibat)
• Harus ada variabel independent
dan variabel dependet
• Menghasilkan persamaan regresi
Keterbatasan Analisis Korelasi dan Regresi
• Korelasi dan Regresi Linear hanya menggambarkan
hubungan yang linear.
• Korelasi dan metode kuadrat terkecil pada regresi linear
tidak resisten terhadap pencilan.
• Prediksi di luar selang nilai X tidak diperkenankan karena
kurang akurat.
• Hubungan antara dua variabel bisa dipengaruhi oleh
variabel lain di luar model.
 Koefisien Determinasi
σ 𝑦ො𝒊 − 𝐲ത 𝟐
2
𝑅 = 𝟐
σ 𝐲𝐢 − 𝐲ത

dimana:
Koefisien determinasi (𝑅2 ) 𝑦ത : nilai rata – rata dari variabel dependen
adalah angka variasi total 𝑦𝑖 : nilai observasi dari variabel dependen
dari variabel dependen yang 𝑦ො𝑖 : nilai prediksi dari Y untuk nilai X yang diberikan
dijelaskan oleh variasi dari
variabel independen untuk
catatan:
0  R 1 2

menilai kesesuaian model.

Pada Model Regresi Linier Sederhana R2 = r2
 Contoh soal
Diamati sampel acak 10 perusahaan yang Iklan Profit
31 553
memproduksi Laptop, kemudian dicatat
38 590
pengeluaran biaya iklan (dalam milyar) dan profit
48 608
(dalam milyar) selama tahun 2015.
52 682
• Buat scatter plotnya dan jelaskan 63 752
• Berapa besar hubungan antara pengeluaran biaya 67 725
iklan dengan profit perusahaan? 75 834
84 752
• Tentukan persamaan regresinya. 89 845
• Hitung koefisien determinasinya dan jelaskan 99 960
maknanya!
Penyelesaian

Dari plot disamping

terlihat bahwa profit
dan iklan berhubungan
linear positif.
 Penyelesaian
𝒏 σ 𝑿𝒀 − σ 𝑿 σ 𝒀
𝐫𝐱𝐲 =
𝒏 σ 𝑿𝟐 − σ 𝑿 𝟐 𝒏 σ 𝒀𝟐 − σ 𝒀 𝟐
Iklan Profit
XY x^2 Y^2
(X) (Y) 𝟏𝟎(𝟒𝟗𝟔𝟏𝟐𝟓) − ( 𝟔𝟒𝟔 𝟕𝟑𝟎𝟏)
31 553 17143 961 305809 =
𝟏𝟎 𝟒𝟔𝟐𝟕𝟒 − 𝟒𝟏𝟕𝟑𝟏𝟔 𝟏𝟎(𝟓𝟒𝟕𝟔𝟓𝟏𝟏 − 𝟓𝟑𝟑𝟎𝟒𝟔𝟎𝟏
38 590 22420 1444 348100
48 608 29184 2304 369664
= 𝟎. 𝟗𝟓
52 682 35464 2704 465124
63 752 47376 3969 565504
67 725 48575 4489 525625
Nilai korelasi antara profit perusahaan
75 834 62550 5625 695556
dengan biaya iklan yang dikeluarkan
84 752 63168 7056 565504
89 845 75205 7921 714025
adalah 0.95 yang menunjukkan
99 960 95040 9801 921600 adanya hubungan kuat positif antara
646 7301 496125 46274 5476511 kedua variable tersebut.
𝟐 𝟐

෍𝑿 = 𝟒𝟏𝟕𝟑𝟏𝟔 ෍𝒀 = 𝟓𝟑𝟑𝟎𝟒𝟔𝟎𝟏
 𝑛 σ 𝑋𝑌 − σ 𝑋 σ 𝑌
Penyelesaian lanjutan 𝑏1 =
𝑛 σ 𝑋2 − σ 𝑋 2
10 496125 − ( 649 7301)
𝑏1 =
10(46274) − 417316
Iklan Profit 𝑏1 = 5.39
XY x^2 Y^2
(X) (Y) σ 𝒀 − 𝒃𝟏 σ 𝑿 54766511 − ( 5.39 646)
31 553 17143 961 305809 𝑏0 = = = 381.95
𝒏 10
38 590 22420 1444 348100
Diperoleh persamaan regresi sebagai berikut:
48 608 29184 2304 369664
෣ = 381.95 + 5.39 𝐼𝑘𝑙𝑎𝑛
𝑃𝑟𝑜𝑓𝑖𝑡
52 682 35464 2704 465124
Artinya:
63 752 47376 3969 565504
𝑏0 = 381.95 adalah jika tidak ada pengeluaran biaya
67 725 48575 4489 525625 iklan (𝑥 = 0) maka profit perusahan sebesar 381.95
75 834 62550 5625 695556 milyar.
84 752 63168 7056 565504 𝑏1 = 5.39 adalah rata-rata profit perusahaan akan
89 845 75205 7921 714025 meningkat sebesar 5.39 milyar untuk setiap
99 960 95040 9801 921600 pengeluaran 1 milyar biaya iklan.
646 7301 496125 46274 5476511 Dari persamaan tersebut berarti semakin besar biaya
𝟐 𝟐 iklan yang dikeluarkan akan semakin besar pula profit
෍𝑿 = 𝟒𝟏𝟕𝟑𝟏𝟔 ෍𝒀 = 𝟓𝟑𝟑𝟎𝟒𝟔𝟎𝟏 yang diperoleh.
Penyelesaian
Sebelumnya telah dihitung nilai dari koefisien
korelasinya sebesar
Iklan Profit
XY x^2 Y^2 𝒏 σ 𝑿𝒀 − σ 𝑿 σ 𝒀
(X) (Y) 𝐫𝐱𝐲 = = 𝟎. 𝟗𝟓
31 553 17143 961 305809 𝒏 σ 𝑿𝟐 − σ 𝑿 𝟐 𝒏 σ 𝒀𝟐 − σ 𝒀 𝟐

38 590 22420 1444 348100 Sehingga koefisien determinasinya

48 608 29184 2304 369664
𝒓𝒙𝒚 𝟐 = 𝑹𝟐 = 𝟎. 𝟗𝟓 𝟐
= 𝟎. 𝟗𝟎𝟑 = 𝟗𝟎. 𝟑%
52 682 35464 2704 465124
63 752 47376 3969 565504
67 725 48575 4489 525625 Nilai koefisien determinasi 0.903 atau
75 834 62550 5625 695556 ditulis dalam persen sebesar 90.3%
84 752 63168 7056 565504 artinya adalah profit perusahaan
89 845 75205 7921 714025
mampu diterangkan 90.3%
99 960 95040 9801 921600
berdasarkan biaya iklan yang
646 7301 496125 46274 5476511
𝟐 𝟐
dikeluarkan sisanya diterangkan oleh
෍𝑿 = 𝟒𝟏𝟕𝟑𝟏𝟔 ෍𝒀 = 𝟓𝟑𝟑𝟎𝟒𝟔𝟎𝟏 variabel lain yang tidak ada di dalam
model.
Uji Hiptesis Regresi
• Uji Overall
• Uji Parsial
Uji Hiptesis Regresi : Overall (Dist F)
Uji Hiptesis Regresi : Parsial (Dist t)
References
Agresti, A., Franklin, C., & Klingenberg, B. (2017). Statistics: The Art and Science
of Learning from Data. New York USA: Pearson Education.
Saefuddin , A., Notodiputro , K. A., Alamudi, A., & Sadik, K. (2009). Statistika
Dasar. Jakarta: Grasindo.
Sudjana. (2005). Metoda Statitika. Bandung : Tarsito.
Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2012). Probability and
Statistics for Engineers and Scientists 9th Edition. United States of
America: Pearson Education, Inc.