SIMPLE REGRESSION dan

PEARSONS CORRELATION
Beberapa Pengukuran Bivariat
(Relationships)
SIMPLE REGRESSION

Regresi linier merupakan ukuran statistik

yang digunakan untuk membangun suatu
persamaan yang menghubungkan antara
variabel dependen (Y) dengan variabel
independen (X) dan sekaligus juga
menentukan nilai ramalan atau dugaannya.
Ukuran statistik ini dipergunakan untuk
variabel yang berskala interval/rasio dengan
arah hubungan asimetrik.
SIMPLE REGRESSION
Y=a+bX

a= nilai Y bila X=0

b= koefisien regresi yang mengukur
besarnya pengaruh X terhadap Y kalau X
naik 1 unit

n xy x y y b x
b a
n x 2 x 2 n n
 x y x2 y2 xy
14 28 196 784 392
35 66 1225 4356 2310
22 38 484 1444 836
29 70 841 4900 2030
6 22 36 484 132
15 27 225 729 405
17 28 289 784 476
20 47 400 2209 940
12 14 144 196 168
29 68 841 4624 1972
x=199 y=408 x2=4681 y2=20510 xy=966
1
10 9661 199 408 408 21387(199)
b 2,1387 a 1,7601
10 4681 199 2
10 10
y 1,7601 2,1387 x
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -1.760 6.779 -.260 .802
X 2.139 .313 .924 6.826 .000
a. Dependent Variable: Y

Jika x naik menjadi 35, maka y dapat diprediksikan

sebesar:
y=-1,760 + 2,139(35) = 73,0944
 80

70

60

50

40

30

20

10
Y

0 10 20 30 40

X
Pearsons Correlation (r)
Pearson Correlation
Mengukur kekuatan hubungan antara variabel x dengan
variabel y.
0,0-<0,2 sangat lemah
0,2-<0,4 lemah
0,4-<0,6 cukup
0,6-<0,8 kuat
0,8-1,0 sangat kuat

n xy x y
rxy
n x 2
x
2
n y 2
y
2

 Arah hubungan (Direction)
Apa arah hubungannya
Lihat tanda r
Positif (+)
Kedua variabel bergerak ke arah yang sama
Jika salah satu variabel naik, maka variabel
lainnya juga akan naik; atau sebaliknya
Negatif (-)
Kedua variabel bergerak ke arah yang
berlawanan
Jika salah satu variabel naik, variabel lainnya
turun; atau sebaliknya
Signifikansi
Apakah hubungannya signifikan
Lihat P-Value
p < 0.05, then it is significant
p > 0.05, then it is NOT significant

lihat sig (output spss) jika

< 0.05 -> Ho ditolak
> 0.05 -> Ho diterima
Pearson Correlation

10(9661) (199)(408)
rxy 0.924
10(4681) 199 10(20510) 408
2 2

r=0,924
berarti semakin besar x maka semakin besar y atau
semakin kecil x maka semakin kecil y

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .924a .853 .835 8.41226
a. Predictors: (Constant), X
Koefisien Determinasi (r2 )
Berapa besar perubahan pada variabel y dapat
diprediksi oleh besar perubahan pada variabel x

r2 = 0,9242 = 0,854

Perubahan pada variabel y dapat diprediksi sebesar

85,4% oleh variasi perubahan pada variabel x.
Sisanya sebesar 14,6% disebabkan oleh faktor-
faktor lain.
 Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .924a .853 .835 8.41226
a. Predictors: (Constant), X

Standard Error of the Estimate = 8,41226 menunjukkan semakin

SEE akan membuat model regresi semakin tepat dalam
memprediksi variabel dependen.
ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 3297.472 1 3297.472 46.597 .000a
Residual 566.128 8 70.766
Total 3863.600 9
a. Predictors: (Constant), X
b. Dependent Variable: Y

Dari uji anova didapat nilai F hitung = 46,597 dengan tingkat

signifikansi 0,000. Karena signifikansi jauh lebih kecil dari alpha (5%),
maka model regresi dapat dipakai untuk memprediksi variabel y. Atau
dapat dikatakan bahwa banyaknya variabel x secara bersama-sama
berpengaruh terhadap variabel y.