BAB III

KORELASI DAN REGRESI LINIER SEDERHANA

A. Landasan Teori
1. Korelasi
Analisis korelasi adalah suatu analisis statistik yang mengukur
tingkat asosiasi atau hubungan antara dua variabel, yaitu variabel bebas
(independent variable) disimbolkan dengan “X” dan variabel terikat
(dependent variable) disimbolkan dengan “Y”, dimana hubungan antara
dua variabel disebut korelasi bivariat (Priyambodo, 2018). Analisis korelasi
berasal dari kata correlation analysis, digunakan untuk mengetahui arah
hubungan, kuat hubungan, dan signifikansi kuatnya hubungan antara dua
variabel atau lebih. Dua variabel dikatakan berkorelasi apabila perubahan
pada salah satu variabel disertai dengan perubahan pada variabel lainnya
secara linier, baik dalam arah yang sama ataupun arah yang sebaliknya
(Roflin dan Zulvia, 2021).
Dalam analisis korelasi dapat dijumpai jenis kolerasi yang
berkolerasi positif, berkolerasi negatif, serta tidak berkolerasi. Dua variabel
berkolerasi positif apabila kedua variabel X dan Y cenderung berubah
secara bersama-sama dalam arah yang sama atau apabila terjadi kenaikan
(penurunan) variabel X akan diikuti oleh kenaikan (penurunan) variabel Y.
Korelasi negatif apabila kedua variabel cenderung berubah dalam arah yang
berlawanan, jika variabel X meningkat menyebabkan variabel Y menurun
atau variabel X menurun makan variabel Y akan meningkat. Dua variabel
dikatakan tidak berkolerasi, apabila kedua variabel ini tidak memiliki
keterkaitan atau berhubungan satu sama lainnya, dimana perubahan pada
salah satu variabelnya, tidak mempengaruhi variabel yang lai (Paiman,
2019).
Alat yang digunakan untuk mengukur derajat hubungan antar
variabel, digunakan koefisien korelasi (correlation coefisient) yang
dinotasikan dengan “r”. Koefisien korelasi mengambil nilai diantara -1 dan

31
 32

+1, sesuai dengan sifat korelasi itu sendiri. Jika dua variabel berkolerasi
positif, maka nilai koefisien korelasi mendekati +1, sedangkan dua variabel
berkolerasi negatif, maka nilai koefisien korelasi akan mendekati -1.
Apabila dua variabel tidak berkolerasi, maka koefisien korelasi akan
mendekati 0. Mnurut Paiman (2019), untuk menginterpretasikan koefisien
korelasi, terdapat pedoman yang digunakan sebagai berikut:
Tabel 3.1 Pedoman untuk Menginterpretasikan Koefisien Korelasi
Interval Koefisien Tingkat Hubungan
0.00 - 0.199 Sangat Rendah
0.20 - 0.399 Rendah
0.40 - 0.599 Sedang
0.60 - 0.799 Kuat
0.80 - 1.000 Sangat Kuat

2. Regresi Linier Sederhana

Analisis regresi pada dasarnya adalah studi mengenai
ketergantungan satu variabel dependent (terikat) dengan satu atau lebih
variabel independent (variabel penjelas/bebas), dengan tujuan untuk
mengestimasi dan/ atau memprediksi rata-rata populasi atau nilai rata-rata
variabel dependen berdasarkan nilai variabel independen yang diketahui
(Subandriyo, 2020). Analisis regresi adalah suatu teknik statistika untuk
pemeriksaan dan permodelan hubugan antar variabel. Fungsi utama model
regresi antara lain untuk deskripsi data, penaksiran parameter, prediksi, dan
kontrol. Model regresi linier sederhana adalah model dari satu variabel
prediktor X yang dihubungkan dengan satu variabel Y menjadi sebuah garis
lurus. Menurut Effendi dkk (2020), secara matematis model regresi
sederhana dirumuskan sebagai berikut:
Y = a + bX + e
 33

Keterangan:
Y= Variabel Terikat
a = Konstanta Regresi
b = Koefisien Regresi
X = Variabel Bebas
e= eror
Koefisien determinasi biasa disimbolkan dengan r2 dapat
ditentukan dengan cara menguadratkan koefisien korelasi. Nilai r2
menunjukan presentase variabel bebas atau predictor X yang dapat
menjelaskan atau menerangkan variabel tak bebas atau respone Y,
sedangkan 100% dikurangkan dengan nilai presentase tersebut menunjukan
atau menjelaskan adanya variabel lain diluar variabel X yang berpengaruh
terhadap variabel Y. Untuk mendapat suatu kesimpulan, maka digunakan
uji hipotesis, dimana pada regresi linier sederhana ini menggunakan uji-t
unuk menguji signifikan hipotesis yang diajukan. Dengan uji signifikansi
ini dapat diketahui apakah variable bebas/ predictor/ independent (X)
berpengaruh secara signifikan terhadap variable tak bebas/ response/
dependent (Y). Arti dari signifikan adalah bahwa pengaruh antar variable
berlaku bagi seluruh populasi (Subandriyo, 2020).
Uji-t dapat dilakukan dengan mula-mula menentukan hipotesisnya
terlebih dahulu. Dalam regresi linier sederhana, rumusan hipotesis yang
diguanakan sebagai berikut:
H0: β=0; variabel X tidak berpengaruh signifikan/nyata terhadap Y.
Ha: β ≠ 0; variabel X berpengaruh signifikan/nyata terhadap Y.
Pengambilan keputusan didasarkan pada nilai thitung dan ttabel. Apabila nilai
thitung lebih kecil dari ttabel maka H0 diterima dan Ha ditolak, begitupun
sebaliknya, apabila nilai thitung lebih besar dari ttabel maka H0 ditolak dan Ha
diterima. Pada aplikasi SPSS, untuk menentukan keputusan yang diambil,
digunakan dasar apabila nilai signifikan lebih besar dari 0.05 maka H0
diterima dan Ha ditolak, sebaliknya apabila nilai signifikan lebih kecil dari
0.05, maka H0 ditolak dan Ha diterima (Yustika dkk, 2022).
 34

B. Soal Latihan
1. Korelasi
a. Soal

Suatu penelitian ingin mengetahui pengaruh luas lahan terhadap

hasil panen padi dengan data sebagai berikut:
Tabel 3.2 Data Luas Lahan dan Hasil Panen Padi
No Luas Lahan (hektar) Hasil Panen Padi (ton)
1 26 103
2 29 106
3 32 109
4 35 110
5 37 115
6 41 118
7 46 121
8 47 123
9 52 126
10 54 131
11 58 133
12 62 138
13 55 139
14 58 141
15 60 144
16 65 149
17 68 150
18 72 153
19 75 156
20 80 160
Lakukan analisis mengenai korelasi dan tentukan persamaan
regresi dari data diatas. Apakah ada hubungan antara luas lahan dan hasil
panen padi dan apakah luas lahan mempengaruhi hasil panen padi. Uraikan
hasil analisis saudara secara lengkap!
 35

b. Langkah Kerja
1) Membuka aplikasi SPSS 23 kemudian mengklik Variabel View.
Kemudian, menuliskan Luas Lahan dan Hasil Panen Padi pada kolom
Name.

2) Mengklik Data View kemudian memasukan data.

3) Mengklik menu Analyze setelah itu pilih Correlate dan Bivariate.

 36

4) Memindahkan seluruh variabel pada kotak dialog Bivariate Correlation

ke kotak Variables kemudian klik OK.

c. Hasil atau Output

Correlations
Hasil Panen
Luas Lahan Padi
Luas Lahan Pearson Correlation 1 .987**
Sig. (2-tailed) .000
N 20 20
Hasil Panen Padi Pearson Correlation .987** 1
Sig. (2-tailed) .000

N 20 20
**. Correlation is significant at the 0.01 level (2-tailed).

d. Interpretasi
Berdasarkan output terlihat bahwa nilai korelasi antara variabel
luas lahan dengan hasil panen padi adalah sebesar 0.987 dan termasuk
kedalam interval 0.80 - 1.000 dengan hubungan sangat kuat. Dari hasil
output tersebut dapat diambil kesimpulan bahwa hubungan kedua variabel
tersebut positif sangat kuat.
 37

2. Regresi Linier Sederhana

a. Soal
Suatu penelitian ingin mengetahui pengaruh luas lahan terhadap
hasil panen padi dengan data sebagai berikut:
Tabel 3.3 Data Luas Lahan dan Hasil Panen Padi
No Luas Lahan (hektar) Hasil Panen Padi (ton)
1 26 103
2 29 106
3 32 109
4 35 110
5 37 115
6 41 118
7 46 121
8 47 123
9 52 126
10 54 131
11 58 133
12 62 138
13 55 139
14 58 141
15 60 144
16 65 149
17 68 150
18 72 153
19 75 156
20 80 160
Lakukan analisis mengenai korelasi dan tentukan persamaan
regresi dari data diatas. Apakah ada hubungan antara luas lahan dan hasil
panen padi dan apakah luas lahan mempengaruhi hasil panen padi. Uraikan
hasil analisis saudara secara lengkap!
 38

b. Langkah Kerja
1) Membuka aplikasi SPSS 23 kemudian mengklik Variabel View.
Kemudian, menuliskan Luas Lahan dan Hasil Panen Padi pada kolom
Name.

2) Mengklik Data View kemudian memasukan data.

3) Mengklik menu Analyze kemudian Regression dan Liniear.

 39

4) Memindahkan variabel Luas Lahan pada kolom Independent dan

variabel Hasil Panen Padi pada kolom Dependent pada kotak dialog
Liniear Regression.

5) Setelah itu mengklik Statistic dan muncul kotak dialog Liniear

Regression. Mengklik pilihan Model Fit, R Squared Change,
Descriptive, Part And Partial Corelatio, Collinierity Diagnostoc, dan
Durbin Watson. Lalu mengklik Continue.
 40

6) Memilih menu Plot, klik pilihan Histogram dan Normal Probability

Plot. Memasukan variabel SRESID pada kolom Y dan ZPRED pada
kolom X. Mengklik Continue kemudian OK.

c. Hasil atau Output

Descriptive Statistics
Mean Std. Deviation N
Hasil Panen Padi 131.25 17.723 20
Luas Lahan 52.60 15.696 20

Correlations
Hasil Panen
Padi Luas Lahan
Pearson Correlation Hasil Panen Padi 1.000 .987
Luas Lahan .987 1.000
Sig. (1-tailed) Hasil Panen Padi . .000
Luas Lahan .000 .
N Hasil Panen Padi 20 20
Luas Lahan 20 20

Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 Luas Lahan b
. Enter
a. Dependent Variable: Hasil Panen Padi
b. All requested variables entered.
 41

Model Summaryb

Change Statistics
R Adjusted Std. Error R
Mod Squa R of the Square F Sig. F Durbin-
el R re Square Estimate Change Change df1 df2 Change Watson
1 .987a .974 .972 2.959 .974 663.665 1 18 .000 .850

a. Predictors: (Constant), Luas Lahan

b. Dependent Variable: Hasil Panen Padi

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 5810.166 1 5810.166 663.665 .000b
Residual 157.584 18 8.755
Total 5967.750 19
a. Dependent Variable: Hasil Panen Padi
b. Predictors: (Constant), Luas Lahan

Coefficientsa
Standardi
zed
Unstandardized Coefficien Collinierity
Coefficients ts Correlations Statistics
Std. Zero- Parti Tolera
Model B Error Beta t Sig. order al Part nce VIF
1 (Constant) 72.647 2.369 30.665 .000

Luas .98
1.114 .043 .987 25.762 .000 .987 .987 1.000 1.000
Lahan 7
a. Dependent Variable: Hasil Panen Padi

Collinierity Diagnosticsa
Variance Proportions
Model Dimension Eigenvalue Condition Index (Constant) Luas Lahan
1 1 1.960 1.000 .02 .02
2 .040 7.019 .98 .98
a. Dependent Variable: Hasil Panen Padi
 42

Residuals Statisticsa
Std.
Minimum Maximum Mean Deviation N
Predicted Value 101.61 161.78 131.25 17.487 20
Std. Predicted Value -1.695 1.746 .000 1.000 20
Standard Error of
.662 1.357 .908 .231 20
Predicted Value
Adjusted Predicted
101.27 162.25 131.24 17.552 20
Value
Residual -4.582 5.076 .000 2.880 20
Std. Residual -1.548 1.716 .000 .973 20
Stud. Residual -1.589 1.761 .002 1.008 20
Deleted Residual -4.823 5.350 .011 3.093 20
Stud. Deleted Residual -1.665 1.881 .007 1.040 20
Mahal. Distance .001 3.047 .950 .986 20
Cook's Distance .000 .087 .036 .031 20
Centered Leverage
.000 .160 .050 .052 20
Value
a. Dependent Variable: Hasil Panen Padi

Charts
43
 44

d. Interpretasi
1) Regresi Linier Sederhana
H0: β=0, artinya tidak ada pengaruh variabel luas lahan terhadap variabel
hasil panen padi.
Ha: β ≠ 0, artinya ada pengaruh variabel luas lahan terhadap variabel hasil
panen padi.
2) Uji t dan Signifikan
Berdasarkan output diperoleh nilai t hitung sebesar 25.762 dan t
tabel sebesar 2.101. Dari hasil tersebut dapat dilihat bahwa t hitung lebih
besar dari t tabel (t hitung > t tabel) yang artinya menolak H0. Hal ini
berarti variabel luas lahan secara individu mempengaruhi hasil panen padi.
Dengan nilai signifikan 0.000 dan alpha sebesar 0.05, dapat dilihat bahwa
nilai signifikan lebih kecil dari alpha (sig < α) maka dapat disimpulkan
bahwa keputusan yang diambil yaitu menolak H0 yang artinya ada
pengaruh luas lahan terhadap hasil panen padi.
3) Koefisien Determinasi (R Square)
Berdasarkan output diperoleh nilai R square sebesar 0.974. Jika
dalam bentuk presentase menjadi 97.4% yang artinya bahwa variabel luas
lahan mempengaruhi variabel hasil panen padi sebesar 97.4%, sedangkan
2.6% dipengaruhi oleh faktor lain atau dapat disimpulkan bahwa sebesar
97.4% luas lahan mempengaruhi hasil panen padi dan 2.6% lainnya
dipengaruhi oleh faktor lain di luar model.
4) Persamaan Regresi Linier Sederhana
Berdasarkan output diperoleh persamaan regresi yaitu:
Y = 72.467 + 1.114X + e
Artinya, setiap naik satu satuan (hektar) variabel luas lahan akan
mempengaruhi atau meningkatkan hasil produksi pertanian sebesar 1.114
ton.
 45

DAFTAR PUSTAKA

Priyambodo, P. 2018. Analisis korelasi jumlah kendaraan dan pengaruhnya

terhadap PDRB di Provinsi Jawa Timur. Warta Penelitian Perhubungan,
30(1), 59-65.

Roflin, E., dan Zulvia, F. E. 2021. Kupas tuntas analisis korelasi. Penerbit NEM.

Yustika, D., dan Sudarti, S. 2022. Analisis Regresi Linier Sederhana untuk
Mengestimasi Pengaruh Kemampuan Self Regulated Learning terhadap
Hasil Belajar Siswa Menggunakan Model Pembelajaran Rasi. Jurnal
Pendidikan MIPA, 12(2), 294-297.

Paiman. 2019. Teknik Analisis Korelasi dan Regresi Ilmu-Ilmu Pertanian.

Yogyakarta: UPY Press.

Efendi, A., dkk. 2020. Analisis Regresi Teori dan Aplikasi dengan R. Malang:
UBPress.