BAB XII

ANALISIS BIVARIAT
Uji Korelasi dan Regresi Linier Sederhana

Analisis hubungan antar variabel secara garis besar ada dua, yaitu analisi
korelasi dan analisis regresi. Analisis korelasi (Pearson, Kendall, Spearmen)
menyatakan derajat keeratan hubungan antarvariabel dan jika ada hubungan bagaimana
hubungan tersebut dan apakah hubungan itu kuat atau lemah, sedangkan analisis
regresi digunakan dalam peramalan variabel dependent berdasar variable-variabel
independent-nya

1. Korelasi
a. Korelasi Pearson
Ketentuan
1. Syarat/ asumsinya data berdistribusi normal
2. Jenis data yg dihubungkan numerik dengan numerik

Note: bila asumsi tidak terpenuhi dianjurkan menggunakan non parametrik korelasi
spearman rank.

Teknik korelasi ini digunakan untuk mencari hubungan dan membuktikan

hipotesis hubungan dua variabel bila data kedua variabel berbentuk interval atau ratio
(Variabel Numerik dengan Variabel Numerik)
Korelasi di samping dapat untuk mengetahui derajat/keeratan hubungan, korelasi
juga untuk mengetahui arah hubungan dua variabel numerik. Misalnya, apakah
”hubungan berat badan dengan tekanan darah” mempunyai derajat yang kuat atau
lemah, dan apakah kedua variabel tersebut berpola positif atau negatif.
Nilai korelasi (r) berkisar 0 s/d 1 atau bila disertai dengan arahnya maka nilainya
antara -1 s/d +1.
r = 0  tidak ada hubungan linier
r = -1  hubungan linier negatif sempurna
r = +1  hubungan linier positif sempurna

Hubungan dua variabel dapat berpola positif maupun negatif. Hubungan positif
terjadi bila kenaikan satu diikuti kenaikan variabel yang lain, misalnya semakin
bertambah berat badannya (semakin gemuk) semakin tinggi tekanan darahnya.
Sedangkan hubungan negatif dapat terjadi bila kenaikan satu variabel diikuti penurunan
yang lain, misalnya semakin bertambah umur (semakin tua) semakin rendah kadar Hb-
nya.

Menurut Colton, kekuatan hubungan dua variabel secara kualitatif dapat dibagi menjadi
4 area, yaitu:

r = 0,00 – 0,25 tidak ada hubungan/hubungan lemah

r = 0,26 – 0,50 hubungan sedang
r = 0,51 – 0,75 hubungan kuat
r = 0,76 – 1,00 hubungan sangat kuat/sempurna

73
2. Regresi Linier Sederhana
Analisi hubungan dua variabel dapat digunakan untuk mengetahui bentuk hubungan dua
variabel, yaitu analisis regreasi.
Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk
mengetahui bentuk hubungan antar dua variabel atau lebih. Tujuan analisis regresi
adalah untuk membuat perkiraan (prediksi) nilai suatu variabel (variabel dependen)
melalui variabel yang lain (variabel independen).
Mis: ingin mengetahui hubungan dua variabel numerik antara berat badan dengan
tekanan darah. Maka variabel bb sbg variabel independen dan tekanan darah sbg
variabel dependen, sehingga dengan regresi kita dapat memperkirakan besarnya nilai
tekanan darah bila diketahui data berat badan.
Untuk melakukan prediksi digunakan persamaan garis.
Secara matematis persamaan garis sbb:

Y = a + bX

Y = Variabel Dependen
X = Variabel Independen
a = Intercept, perbedaan besarnya rata-rata variabel Y ketika variabel X = 0
b = Slope, perkiraan besarnya perubahan nilai variabel Y bila nilai variabel X berubah
satu unit pengukuran.

Kesalahan Standar Estimasi (Standard Error Of The Estimate/ SE)

Besarnya kesalahan standar estimasi (SE) menunjukkan ketepatan persamaan

estimasi untuk menjelaskan nilai variabel dependen yang sesunggunya. Semakin kecil
nilai SE, makin tinggi ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan
nilai variabel dependen yang sesungguhnya. Dan sebaliknya semakin besar nilai SE,
makin rendah ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan nilai
dependen yang sesungguhnya.

Koefisien Determinasi (R²)

Ukuran yang penting dan sering digunakan dalam analisisi regresi adalah
koefisien determiasi atau disimbol R² (R Square). Koefisien determiasi dapat dihitung
dengan mengkuadratkan seberapa besar variasi variabel dependen (Y) dapat dijelaskan
oleh variabel independen (X). Atau dengan kata lain, R² menunjukkan seberapa jauh
variabel independen dapat memprediksi variabel dependen. Semakin besar R Square
semakin baik/ semakin tepat variabel independen memperediksi variabel dependen.
Besarnya nilai R Square antara 0 s/d 1 atau 0% s/d 100%.

Kasus:

Korelasi dan Regresi

74
 Seorang peneliti ingin melakukan analisis korelasi dan regresi menggunakan
data ”ASI, Sav” dengan mengambil variabel yang bersifat numerik yaitu apakah ada
korelasi ”Berat Badan Ibu dan Berat Badan Bayi”.

A. Korelasi
Langkah-langkah uji korelasi
1. Aktifkan data ”ASI. Sav”
2. Dari SPSS Data editor, klik ”Analyze”, kemudian pilih ” Correlate” dan klik
”Bivariate” sehingga muncul layar berikut:

3. Sorot variabel ”Berat Badan Ibu dan Berat Badan Bayi” lalu masukkan ke kotak
Variables:

4. Klik Ok, sehingga hasil sebagai berikut:

Correlations

Berat Berat
Badan Ibu Badan Bayi
Berat Badan Ibu Pearson Correlation 1 .684**
Sig. (2-tailed) .000
N 50 50
Berat Badan Bayi Pearson Correlation .684** 1
Sig. (2-tailed) .000
N 50 50
**. Correlation is significant at the 0.01 level (2-tailed).

Pada hasil di atas diperoleh nilai r = 0,684 dan p = 0,000. Kesimpulan :

hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan yang kuat
75
dan berpola positif, artinya semakin bertambah berat badannya semakin bertambah
berat badan bayinya. Hasil uji statistik didapatkan ada hubungan yang signifikan antara
barat badan ibu dengan berat badan bayi (p = 0,000)

B. Regresi Linier Sederhana

Seorang peneliti ingin melakukan analisis regresi linier dengan menggunakan
variabel ”berat badan ibu” dan berat badan bayi dari data ASI. Sav. Dalam penelitian ini
berat badan ibu sebagai variabel indenpenden dan berat badan bayi variabel dependen.

Langkah-langkah:

1. Tampilkan data Editor ASI Sav.

2. Klik menu SPSS, Klik ”Analyze” pilih ”Regression” dan klik ”Linier” sehingga
tampil layar berikut:
3. Pada kotak ”Dependen” isikan variabel yang kita perlukan sebagai dependen (dlm
contoh ini berat badan bayi) dan pada kotak Independen isikan variabel
independennya (dalam contoh ini berat badan ibu), caranya:
4. Klik berat badan bayi, masukkan ke kotak Dependent
5. Klik berat badan ibu, masukkan ke kotak Indenpendent

6. Klik OK, hasilnya sbb:

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .684a .468 .456 430.715
a. Predictors: (Constant), Berat Badan Ibu

76
 ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 7820262 1 7820261.965 42.154 .000 a
Residual 8904738 48 185515.376
Total 16725000 49
a. Predictors: (Constant), Berat Badan Ibu
b. Dependent Variable: Berat Badan Bayi

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 657.929 391.676 1.680 .099
Berat Badan Ibu 44.383 6.836 .684 6.493 .000
a. Dependent Variable: Berat Badan Bayi

Berdasarkan hasil di atas dapat diinterpretasikan dengan mengkaji nilai-nilai

yang penting dalam regresi linier diantaranya: koefisien determinasi, persamaan garis
dan nilai p. Nilai koefisien determinasi dapat dilihat dari nilai R square pada tabel
Model Summary yaitu besarnya 0,468 artinya persamaan garis regresi yang diperoleh
dapat menerangkan 46,8% variasi berat badan ibu atau persamaan garis yang
diperoleh cukup baik untuk menjelaskan variabel berat badan bayi.

Selanjutnya pada tabel ANOVAᵇ dapat diuji kecocokan dari model terhadap
data yang ada. Pada tabel ANOVAᵇ diperoleh nilai p (di kolom Sig.) sebesar 0,000,
berarti pada α= 5% dapat disimpulkan bahwa regresi linier sederhana cocok (fit)
dengan data yang ada persamaan garis regresi dapat dilihat pada tabel “Coefficientsa
“
yaitu pada kolom B. Dari hasil di atas didapat nilai Constant (= nilai intercept = nilai a)
sebesar 657,93 dan nilai b =44,38, sehingga persamaan regresinya:

Y = a + bX

Y = Berat badan bayi dan

X = Berat badan ibu
Berat Badan Bayi = 657,93 + 44,38 (berat badan ibu)

Dengan persamaan tersebut, berat badan bayi dapat diperkirakan jika tahu nilai
berat badan ibu. Uji statistik untuk koefisien regresi dapat dilihat pada kolom Sig.T, dan
menghasilkan nilai p = 0,000. Jadi pada alpha 5% kita menolak hipotesis nol ditolak
berarti ada hubungan linier antara berat badan ibu dengan berat badan bayi. Dari nilai b
= 44,38 berarti bahwa variabel berat badan bayi akan bertambah sebesar 44,38 gr bila
berat badan ibu bertambah setiap satu kilogram.

77
Penyajian dan Iterpretasi Dalam Laporan

Tabel 7. Analisis Korelasi Dan Regresi Berat Badan Ibu Dengan Berat Badan Bayi

Variabel r R2 Persamaan garis p

BB ibu 0,684 0,468 bbayi = 657,93 + 44,38*bbibu 0,001

Hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan
yang kuat (r = 0,684) dan berpola positif artinya semakin bertambah berat badan ibu
semakin besar berat badan bayinya. Nilai koefisien dengan determinasi 0,468 artinya
persamaan garis regresi yang diperoleh dapat menerangkan 46,8% variasi berat badan
bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat
badan bayi. Hasil uji statistik didapatkan ada hubungan yang signifikan antara berat
badan ibu dengan berata badan bayi (p= 0,001).

Memprediksi variabel dependen dengan nilai variabel independen tertentu

Dari persamaan garis yang didapatkan tersebut dapat diprediksi variabel dependen
(variabel berat badan bayi) dengan variabel independen (berat badan ibu) diketahui.
Misalkan kita ingin mengatahui berat badan bayi jika diketahui berat badan ibu sebesar
60 kg, maka

Berat badan bayi = 657,93 + 44,38 (berat badan ibu)

Berat badan bayi = 657,93 + 44,38 (60)

Berat badan bayi = 3320,73

Ingat Prediksi regresi tidak dapat menghasilkan angka yang tepat seperti di atas,
namun perkiraannya tergantung dari nilai Std. Error of the Estimate (SEE) yang
besarnya adalah 430,715 (lihat di kotak Model Summary). Dengan demikian variasi
variabel dependen = Z*SEE. Nilai Z dihitung dari tabel Z dengan tingkat kepercayaan
95% dan didapat nilai Z = 1,96, sehingga variasinya = 1,96 * 430,715 = + 844,201.

Jadi dengan tingkat kepercayaan 95%, berat badan ibu 60 kg diprediksikan berat
badan bayinya adalah 2476,5 gr s/d 4164,9 gr.

C. Membuat Grafik Prediksi

1. Dari menu SPSS klik Graph
2. Pilih Scatter

78
3. Pilih Simple Scatter
4. Klik Define

5. Pilih kotak Y Axis, isi variable dependennya (masukkan bbbayi)

6. Pada kotak X Axis, isikan variable Independennya (masukkkan bbibu)

7. Klik OK
8. Terlihat Grafik scatter plot-nya (garis regresi belum ada)

79
 4500

4000

Berat Badan Bayi 3500

3000

2500

2000

45 50 55 60 65 70 75

Berat Badan Ibu

9. Untuk mengeluarkan garis regresi klik grafiknya 2 kali, maka muncullah menu
berikut:

10. Klik Elements, pilih Fit Line at Total, klik close pada properties, maka
muncullah garis regresinya

80
 4500

4000
Berat Badan Bayi

3500

3000

2500

R Sq Linear = 0.468

2000

45 50 55 60 65 70 75

Berat Badan Ibu

81