ANALISIS REGRESI SEDERHANA DAN ANALISIS KORELASI

Tujuan menganalisis hubungan linear antara dua variabel (bivariat) menggunakan model
matematis yang menunjukkan hubungan pengaruh dan keeratan hubungan (korelasi)
antara dua variabel tersebut.

Regresi
Bentuk umum persamaan regresi estimasi ditulis sebagai berikut:

Ŷ = b0 + b1 X

Ŷ (Y hat) adalah nilai estimasi Y, b0 intersep kurva estimasi, b1 adalah slope kurva
estimasi, dan X adalah nilai X. Nilai b0 dan nilai b1 pada persamaan estimasi dapat
ditentukan dengan rumus sebagai berikut :

b1 =

b0 = - b1

n = jumlah data yang digunaan sebagai sampel

Keterangan:
Y = variabel dependen atau response variable
X = variabel independen atau predictor variable
b0 = konstanta/intersep
b1 = koefisien regresi X

Data yang digunakan dalam membuat model regresi estimasi dapat berupadata time
series, cross section, atau gabungan antara data time series dan data cross section (pooled
data). Pooled data biasanya bertujuan untuk menambah jumlah pengamatan (data) pada
sampel. Misalnya sebuah persamaan regresi estimasi dibangun untuk menganalisis
pengaruh laju inflasi terhadap pertumbuhan ekonomi. Jika penelitian tersebut
menggunakan data laju inflasi dan pertumbuhan ekonomi Indonesia dari tahun 1990-
2017, maka analisis regresi tersebut menggunakan data time serias.

1
Contoh data time series: Laju Inflasi dan Pertumbuhan Ekonomi Indonesia 1990-
2017

Tahun 1990 1991 1992 . . . 2016 2017

Inflasi 4,8 6,3 7,2 . . . 2,5 3,3
Pertumbuhan 5,1 7,4 8,5 . . . 3,7 4,8
Ekonomi

Jika data laju inflasi dan pertumbuhan ekonomi adalah laju inflasi dan pertumbuhan
ekonomi 33 provinsi di Indonesia tahun 2017, maka analisis regresi tersebut
menggunakan data cross section.

Contoh data cross section: Laju Inflasi dan Pertumbuhan Ekonomi Provinsi 2017

Provinsi DKI DIY KALSEL . . . SULSEL PAPUA

Inflasi 2,1 2,3 3,0 . . . 4,9 5,6
Pertumbuhan 3,6 4,7 3,2 . . . 5,3 5,8
Ekonomi

Contoh
:
Seorang analis di pasar modal melakukan penelitian untuk membuktikan hipotesis bahwa
frekuensi perdagangan saham (diproksi dengan volume transaksi saham) mempengaruhi
harga saham. Untuk membuktikan hipotesis tersebut digunakan saham PT. M yang
terdaftar di pasar modal. Tabel berikut ini menyajikan data mengenai volume transaksi
(juta lembar) dan harga saham (dalam US$) PT. M dalam 6 hari perdagangan. Data
volume transaksi dan harga saham PT. M diasumsikan berdistribusi normal.

Volume Transaksi Harga Saham

15 5
8 3
12 6
7 4
16 5
6 2

Buatlah persamaan regresi estimasi yang menunjukkan pengaruh volume transaksi saham
terhadap harga saham menggunakan metode kuadrat terkecil (least square method).
2
Jawaban:

Pernyataan tentang volume transaksi saham mempengaruhi harga saham menunjukkan

bahwa volume transaksi sebagai variabel independen (X) dan harga saham adalah
variabel dependen (Y). Secara teoritis dinyatakan bahwa sentimen positif terhadap suatu
perusahaan akan meningkatkan minat investor membeli saham perusahaan tersebut.
Akibatnya permintaan investor terhadap saham perusahaan meningkat dan harga saham
akan naik. Berikut ini cara menentukan persamaan regresi estimasi menggunakan metode
least square.
X Y XY X2
15 5 75 225
8 3 24 64
12 6 72 144
7 4 28 49
16 5 80 256
6 2 12 36
64 25 291 774

Ŷ = b0 + b1 X
Ŷ (Y hat) adalah nilai estimasi harga saham

b1 = = = = 0,266

b0 = - b1 = – (0,266) = 1,329

Persamaan regresi estimasi harga saham adalah:

Ŷ = 1,329 + 0,266X

Kesalahan Standar Estimasi

Proses selanjutnya dalam analisis regresi adalah menentukan ketepatan persamaan
estimasi yang dihasilkan untuk mengestimasi nilai variabel dependen dengan metode
kuadrat terkecil (least-square method). Besarnya standar kesalahan estimasi (standart
error of estimate) menunjukkan salah satu ukuran ketepatan persamaan regresi estimasi
untuk menjelaskan nilai variabel dependen yang sebenarnya (nilai variabel dependen
3
populasi). Semakin kecil nilai kesalahan standar estimasi, makin tinggi ketepatan
persamaan estimasi yang dihasilkan untuk menjelaskan nilai variabel dependen ynag
sebenarnya. Sebaliknya, semakin besar nilai kesalahan standar estimasi, makin rendah
ketetapan persamaan estimasi yang dihasilkan untuk menjelaskan nilai variabel dependen
yang sebenarnya.

Se =

Kesalahan standar estimasi dapat juga ditentukan dengan rumus sebagai berikut:

Se =

Persamaan regresi estimasi yang diperoleh dari data tentang volume transaksi (X) dan
harga saham (Y) adalah = 1,329 + 0,226X dapat ditentukan besarnya kesalahan standar
estimasinya sebagai berikut:
X Y XY X2 Y2
15 5 75 225 25
8 3 24 64 9
12 6 72 144 36
7 4 28 49 16
16 5 80 256 25
6 2 12 36 4
64 25 291 774 115

Dengan memasukkan angka- angka yang diperoleh ke dalam rumus, besarnya kesalahan
standar estimasi pada persamaan regresi estimasi.
= 1,325 + 0,226X adalah 1,045.

Korelasi
Korelasi antar dua variabel ekonomi dan bisnis sering menjadi perhatian oleh pengambil
keputusan di bidang ekonomi dan bisnis. Misalnya, manajer produksi suatu perusahaan
ingin meneliti apakah terdapat korelasi antara masa kerja mesin dengan jumlah produk
yang cacat dari mesin tersebut?
Analisis korelasi antara dua variabel dapat menghasilkan dua macam informasi, yaotu (1)
kekuatan (keeratan) hubungan (korelasi) antara dua variabel yang diamati, (2) apakah dua
variabel yang dianalsis berkorelasi atau tidak berkorelasi secara statistik.
4
Rumus untuk menentukan koefisien korelasi sampel (r) linear antara dua variabel,
misalnya X dan Y adalah :

r=

Besarnya nilai koefisien korelasi antara dua variabel adalah dari -1 sampai dengan + 1.
Tanda (+ dan -) pada koefisien menunjukkan arah hubungan (korelasi) antara dua
variabel yang diamati. Tanda positif pada koefisien menunjukkan hubungan (korelasi)
yang searah antara dua variabel yang diamati.
Contoh:
Perusahaan batik MANIS ingin mengetahui keeratan hubungan (korelasi) antara
nilai penjualan (Y) dengan biaya promosi (X). Data pada tabel berikut ini adalah nilai
penjualan dan biaya promosi yang dicatat pada beberapa periode. Data tentang X dan Y
diasumsikan berdistribusi normal.
Nilai Penjualan Biaya Promosi
64 20
61 16
84 34
70 23
88 27
92 32
72 18
77 22

Tentukan besarnya koefisien korelasi linear antara nilai penjualan (Y) dengan biaya
promosi (X).
jawab:

5
Besarnya koefisien korelasi linear antara nilai penjualan (Y) dengan biaya promosi (X).
Koefisien korelasi dihitung dengan menggunakan rumus:

r=

Nilai variabel dalam tabel dioleh untuk menentukan nilai-nilai yang diperlukan
untuk menghitung koefisien korelasi dengan rumus tersebut di atas. Nilai-nilai tersebut
adalah sebagai berikut:
Nilai Biaya XY X2 Y2
Penjualan Promosi
(Y) (X)
64 20 1.280 400 4.094
61 16 976 256 3.721
84 34 2.856 1.156 7.056
70 23 1.610 529 4.900
88 27 2.376 729 7.744
92 32 2.944 1.024 8.464
72 18 1.296 324 5.184
77 22 1.694 484 5.929

= 608 = 192 = 15.032 = 4.902 =

47.094

Masukkan nilai-nilai pada tabel di atas ke dalam formula yang digunakan untuk
menentukan koefisien korelasi (r), yaitu:

r=

r= = = 0,86

Koefisien korelasi (r) adalah 0,86 atau 86%. Keeratan hubungan antara nilai penjualan
(Y) dengan biaya promosi adalah 0,86 atau 86%. Tanda positif pada koefisien korelasi
menunjukkan adanya hubungan searah antara nilai penjualan (Y) dengan biaya promosi
(X).

6
Pengertian dan Analisis Korelasi Sederhana dengan Rumus Pearson – Korelasi
Sederhana merupakan suatu Teknik Statistik yang dipergunakan untuk mengukur kekuatan
hubungan 2 Variabel dan juga untuk dapat mengetahui bentuk hubungan antara 2 Variabel
tersebut dengan hasil yang sifatnya kuantitatif. Kekuatan hubungan antara 2 variabel yang
dimaksud disini adalah apakah hubungan tersebut ERAT, LEMAH, ataupun TIDAK ERAT
sedangkan bentuk hubungannya adalah apakah bentuk korelasinya Linear Positif ataupun
Linear Negatif.
Disamping Korelasi, Diagram Tebar (Scatter Diagram) sebenarnya juga dapat mempelajari
hubungan 2 variabel dengan cara menggambarkan hubungan tersebut dalam bentuk grafik.
Tetapi Diagram tebar hanya dapat memperkirakan kecenderungan hubungan tersebut apakah
Linear Positif, Linear Negatif ataupun tidak memiliki Korelasi Linear. Kelemahan Diagram Tebar
adalah tidak dapat menunjukkan secara tepat dan juga tidak dapat memberikan angka
Kuantitas tentang kekuatan hubungan antara 2 variabel yang dikaji tersebut.
Kekuatan Hubungan antara 2 Variabel biasanya disebut dengan Koefisien Korelasi dan
dilambangkan dengan symbol “r”. Nilai Koefisian r akan selalu berada di antara -1 sampai +1.
Perlu diingat :
Koefisien Korelasi akan selalu berada di dalam Range -1 ≤ r ≤ +1
Jika ditemukan perhitungan diluar Range tersebut, berarti telah terjadi kesalahan perhitungan
dan harus di koreksi terhadap perhitungan tersebut.
Rumus Pearson Product Moment
Koefisien Korelasi Sederhana disebut juga dengan Koefisien Korelasi Pearson karena rumus
perhitungan Koefisien korelasi sederhana ini dikemukakan oleh Karl Pearson yaitu seorang ahli
Matematika yang berasal dari Inggris.
Rumus yang dipergunakan untuk menghitung Koefisien Korelasi Sederhana adalah sebagai
berikut : (Rumus ini disebut juga dengan Pearson Product Moment)

r= nΣxy – (Σx) (Σy)

. √{nΣx² – (Σx)²} {nΣy2 – (Σy)2}

Dimana :

n = Banyaknya Pasangan data X dan Y

Σx = Total Jumlah dari Variabel X
Σy = Total Jumlah dari Variabel Y
Σx2= Kuadrat dari Total Jumlah Variabel X
Σy2= Kuadrat dari Total Jumlah Variabel Y
Σxy= Hasil Perkalian dari Total Jumlah Variabel X dan Variabel Y
Pola / Bentuk Hubungan antara 2 Variabel :
1. Korelasi Linear Positif (+1)
Perubahan salah satu Nilai Variabel diikuti perubahan Nilai Variabel yang lainnya secara teratur
dengan arah yang sama. Jika Nilai Variabel X mengalami kenaikan, maka Variabel Y akan ikut
naik. Jika Nilai Variabel X mengalami penurunan, maka Variabel Y akan ikut turun.
Apabila Nilai Koefisien Korelasi mendekati +1 (positif Satu) berarti pasangan data Variabel X
dan Variabel Y memiliki Korelasi Linear Positif yang kuat/Erat.
2. Korelasi Linear Negatif (-1)
Perubahan salah satu Nilai Variabel diikuti perubahan Nilai Variabel yang lainnya secara teratur
dengan arah yang berlawanan. Jika Nilai Variabel X mengalami kenaikan, maka Variabel Y
akan turun. Jika Nilai Variabel X mengalami penurunan, maka Nilai Variabel Y akan naik.
Apabila Nilai Koefisien Korelasi mendekati -1 (Negatif Satu) maka hal ini menunjukan pasangan
data Variabel X dan Variabel Y memiliki Korelasi Linear Negatif yang kuat/erat.
3. Tidak Berkorelasi (0)
Kenaikan Nilai Variabel yang satunya kadang-kadang diikut dengan penurunan Variabel
lainnya atau kadang-kadang diikuti dengan kenaikan Variable yang lainnya. Arah hubungannya
tidak teratur, kadang-kadang searah, kadang-kadang berlawanan.
Apabila Nilai Koefisien Korelasi mendekati 0 (Nol) berarti pasangan data Variabel X dan
Variabel Y memiliki korelasi yang sangat lemah atau berkemungkinan tidak berkorelasi.
Tabel tentang Pedoman umum dalam menentukan Kriteria Korelasi :
r Kriteria Hubungan
0 Tidak ada Korelasi
0 – 0.5 Korelasi Lemah
0.5 – 0.8 Korelasi sedang
0.8 – 1 Korelasi Kuat / erat
1 Korelasi Sempurna

Contoh Penggunaan Analisis Korelasi di Produksi :

1. Apakah ada hubungan antara suhu ruangan dengan jumlah cacat Produksi?
2. Apakah ada hubungan antara lamanya waktu kerusakan mesin dengan jumlah cacat
produksi?
3. Apakah ada hubungan antara jumlah Jam lembur dengan tingkat absensi?

Contoh Kasus Analisis Korelasi Sederhana :

Seorang Engineer ingin mempelajari apakah adanya pengaruh Suhu Ruangan terhadap
Jumlah Cacat yang dihasilkan dan juga ingin mengetahui keeratan serta bentuk hubungan
antara dua variabel tersebut. Engineer tersebut kemudian mengambil data selama 30 hari
terhadap rata-rata (mean) suhu ruangan dan Jumlah Cacat Produksi seperti dibawah ini :
Tanggal Rata-rata Suhu Ruangan Jumlah Cacat
1 24 10
2 22 5
3 21 6
4 20 3
5 22 6
6 19 4
7 20 5
8 23 9
9 24 11
10 25 13
11 21 7
12 20 4
13 20 6
14 19 3
15 25 12
16 27 13
17 28 16
18 25 12
19 26 14
20 24 12
21 27 16
22 23 9
23 24 13
24 23 11
25 22 7
26 21 5
27 26 12
28 25 11
29 26 13
30 27 14

Penyelesaian :
Pertama-tama hitunglah X², Y², XY dan totalnya seperti tabel dibawah ini :
 Rata-rata Suhu Ruangan Jumlah Cacat 2 2
Tanggal (X) (Y) X Y XY
1 24 10 576 100 240
2 22 5 484 25 110
3 21 6 441 36 126
4 20 3 400 9 60
5 22 6 484 36 132
6 19 4 361 16 76
7 20 5 400 25 100
8 23 9 529 81 207
9 24 11 576 121 264
10 25 13 625 169 325
11 21 7 441 49 147
12 20 4 400 16 80
13 20 6 400 36 120
14 19 3 361 9 57
15 25 12 625 144 300
16 27 13 729 169 351
17 28 16 784 256 448
18 25 12 625 144 300
19 26 14 676 196 364
20 24 12 576 144 288
21 27 16 729 256 432
22 23 9 529 81 207
23 24 13 576 169 312
24 23 11 529 121 253
25 22 7 484 49 154
26 21 5 441 25 105
27 26 12 676 144 312
28 25 11 625 121 275
29 26 13 676 169 338
30 27 14 729 196 378
Total 699 282 16487 3112 6861

Kemudian hitunglah Koefisien Korelasi berdasarkan rumus korelasi dibawah ini :

r= nΣxy – (Σx) (Σy)
. √{nΣx² – (Σx)²} {nΣy2 – (Σy)2}

r= (30 . 6861) – (699) (282)

. √{30. 16487 – (699)²} {30 . 3112 – (282)2}

r= (205830) – (197118)
. √{494610 – 488601} {93360 – 75924}

r= 8712
. 9118.13

r = 0.955

Jadi Koefisien Korelasi antara Suhu Ruangan dan Jumlah Cacat Produksi adalah 0.955, berarti
kedua variabel tersebut memiliki hubungan yang ERAT dan bentuk hubungannya adalah Linear
Positif.

Jika Hubungan Suhu Ruangan dan Jumlah Cacat Produksi dibuat dalam bentuk Scatter
Diagram (Diagram Tebar), maka bentuknya akan seperti dibawah ini :

Analisis Korelasi (Correlation Analysis) juga merupakan salah satu alat (tool) yang digunakan
dalam Metodologi Six Sigma di Tahap Analisis.