REGRESI DAN KORELASI

DISUSUN OLEH :

1. AVERIO ALVAREZ (1705531030)

2. FRANS HENDRIKO MARPAUNG (1705531032)
3. CLAUDIA ELSHA ALVINCE (1705531033)
4. STEVEN OWEN YOSUA SIAGIAN (1705531034)
ANALISIS KORELASI

Analisis korelasi adalah suatu cara untuk mengetahui ada atau tidaknya hubungan linier a
ntara variabel, misalnya hubungan linier antara dua variabel.
Mengapa penting untuk mengetahui ada tidaknya hubungan linier antara dua variabel?
Dengan mengetahui ada tidaknya hubungan linier antar variabel, maka perubahan-peruba
han yang terjadi pada salah satu variabel (X) akan mengakibatkan terjadinya perubahan pa
da variabel lainnya(Y).
Adapun jenis dari korelasi yang dapat terjadi antara dua variabel bisa berupa :
• Korelasi negatif
• Korelasi positif
• Tidak ada korelasi
• Korelasi sempurna
• Korelasi Negatif • Korelasi Positif
Korelasi ini terjadi apabila nilai dari variabel X Korelasi ini terjadi apabila nilai dari variabel Y
meningkat, maka nilai variabel Y cenderung menurun meningkat, maka nilai dari variabel Y cenderung
ataupun sebaliknya. meningkat pula.
• Tidak ada Korelasi
Berarti tidak ada hubungan antara variabel X dengan
Y, perubahan nilai variabel X tidak mempengaruhi
perubahan nilai variabel Y
• Korelasi Sempurna
Korelasi ini terjadi apabila kenaikan/penurunan
variabel X selalu sebanding dengan
kenaikan/penururnan dari variabel Y ( berada pada
satu garis lurus)
Selain diagram pencar, untuk mengetahui ada tidaknya korelasi kita juga dapat menggunakan koefi
sien Korelasi. Koefisien korelasi sendiri diperoleh dari suatu penghitungan terhadap data-data yang
ada. Nilai dari koefisien korelasi berkisar antara -1 sampai dengan +1.

Koefisien Korelasi sendiri ada beberapa jenis, berikut jenis dari koefisien korelasi.

Koefisien Korelasi Pearson

Apabila antara dua variabel (X dan Y) yang masing-masing mempunyai skala pengukuran sekurang-
kurangnya interval dan hubungannya merupakan hubungan linier, maka keeratan hubungan antara
kedua variabel itu dapat dihitung dengan formula koefisien korelasi pearson.
Koefisien Korelasi Spearman
Untuk mengukur keeratan hubungan antara dua variabel X dan Y yang kedua-duanya me
mpunyai skala pengukuran sekurang-kurangnya ordinal dapat dihitung dengan mengguna
kan formula korelasi Spearman
Interpretasi koefisien Korelasi
Berikut penafsiran dari angka koefisien korelasi
• r bernilai lebih dari 0.00 sampai kurang dari 0.20 = Hubungan antara X dan Y sangat
kecil dan bisa diabaikan
• r bernilai 0.20 sampai kurang dari 0.40 = Hubungan antara X dan Y kecil/lemah
• r bernilai 0.40 sampai kurang dari 0.70 = Hubungan antara X dan Y moderat
• r bernilai 0.70 sampai kurang dari 0.90 = Hubungan antara X dan Y erat/kuat
• r bernilai 0.90 sampai 1.00 = Hubungan antara X dan Y sangat erat/sempurna jika
mencapai 1
• r bernilai 0 = Tidak ada hubungan linier antara X dan Y
ANALISIS REGRESI

Korelasi dan regresi keduanya mempunyai hubungan yang sangat erat.

Setiap regresi pasti ada korelasinya, tetapi korelasi belum tentu dilanjutkan dengan
regresi.
Kita gunakan analisis regresi bila kita ingin mengetahui bagaimana
variabal dependen/kriteria dapat diprediksikan melalui variabel independen atau
variabel prediktor, secara individual. Dampak dari penggunaan analisis regresi
dapat digunakan untuk memutuskan apakah naik dan menurunnya variabel
dependen dapat dilakukan melalui menaikan dan menurunkan keadaan variabel
independen, atau meningkatkan keadaan variabel dependen dapat dilakukan
dengan meningkatkan variabel independen/dan sebaliknya.
Regresi Linier Sederhana

Regresi sederhana didasarkan pada hubungan fungsional ataupun kausal

antara satu variabel independen dengan satu variabel dependen.
Persamaan umum regresi linier sederhana adalah :

Y’ = a + bX
Dimana :
Y’=subyek dalam variabel dependen yang diprediksikan
a = harga Y bila X = 0 (harga konstan)
b = angka arah atau koefisien regresi, yang menunjukkan angka peningkatan
ataupun penurunan variabel dependen yang didasarkan pada variabel
independen. Bila b (+) maka naik, dan bila (-) maka terjadi penurunan.
X = subyek pada variabel Independen yang mempunyai nilai tertentu
Secara teknis harga b merupakan tangen dari (perbandingan) antara
panjang garis variabel Independen dengan variabel dependen, setelah persamaan
regresi ditemukan. Lihat gambar berikut :

Garis Regresi Y karena Pengaruh X, Persamaan Regresinya

Y = 2,0 + 0,5 X
Dimana :
r = koefisien korelasi product moment antara variabel X dengan variabel Y
Sy = simpangan baku variabel Y
Sx = simpangan baku variabel X
Jadi harga b merupakan fungsi dari koefisien korelasi. Bila koefisien
korelasi tinggi, maka harga b juga besar, sebaliknya bila koefisien korelasi rendah
maka harga b juga renah (kecil). Selain itu bila koefisien korelasi negatif maka
harga b juga negatif, dan sebaliknya bila koefisien korelasi positif maka harga b
juga positif.
Selain itu harga a dan b dapat dicari dengan rumus berikut :

1. Contoh Perhitungan Regresi Linier Sederhana

Data berikut adalah hasil pengamatan terhadap nilai kualitas layanan (X)
dan nilai rata-rata penjualan barang tertentu tiap bulan. Data kedua variabel
diberikan pada tabel 8.1. berikut.
Nomor Kualitas Layanan Penjualan Barang
(X1) (Y1)
1 54 167
2 50 155
3 53 148
4 45 146
5 48 170
6 63 173
7 46 149
8 56 166
9 52 170
10 56 174
11 47 156
12 56 158
13 55 150
14 52 160
15 50 157
16 60 177
17 55 166
18 45 160
19 47 155
20 53 159
21 49 159
22 56 172
23 57 168
24 50 159
25 49 150
26 58 165
27 48 159
28 52 162
29 56 168
30 54 166
31 59 177
32 47 149
33 48 155
34 56 160
Harga b dapat dihitung dengan rumus 8.2, tetapi terlebih dahulu dihitung
korelasi antara nilai kualitas layanan dan nilai rata-rata penjualan barang. Harga
dapat juga dicari dengan rumus 8.3.
3. Menyusun Persamaan Regresi
Setelah harga a dan b ditemukan, maka persamaan regresi linier sederhana dapat disusun.
Persamaan regresi nilai kualitas layanan dan nilai rata-rata penjualan barang tertentu tiap
bulan adalah seperti berikut : Y = 87,87 + 1,39 X
Persamaan regresi yang telah ditemukan itu dapat digunakan untuk melakukan
prediksi (ramalan) bagaimana individu dalam variabel dependen akan terjadi bila individu
dalam variabel independen ditetapkan. Misalnya nilai kualitas layanan = 64,
Maka nilai rata-rata penjualan adalah : Y = 87,87 + 1,39 . 64 = 176,83

Jadi diperkirakan nilai rata-rata penjualan barang tiap bulan sebesar 176,83.
Dari persamaan regresi diatas dapat diartikan bahwa, bila nilai kualitas layanan
bertambah 1, maka nilai rata-rata penjualan barang tiap bulan akan bertambah 1,39
atau setiap nilai kualitas layanan bertambah 10, maka nilai rata-rata penjualan
barang tiap bulan akan bertambah sebesar 13,9.
4. Membuat Garis Regresi
Garis regresi dapat digambarkan berdasarkan persamaan yang telah ditemukan adalah :

Garis Regresi Nilai Kualitas Layanan dan Nilai Rata-rata

Penjualan Barang Tiap Bulan
Antara nilai kualitas layanan dengan nilai penjualan tiap bulan dapat dihitung
korelasinya. Korelasi dapat dihitung dengan rumus yang telah diberikan (rumus
8.5) atau dengan rumus 8.6. berikut.

Harga-harga yang telah ditemukan dalam tabel 8.2 dapat dimasukkan

dalam rumus diatas sehingga :
Harga r tabel untuk taraf kesalahan 5% dengan n = 34 diperoleh 0,339 dan untuk 1% = 0,
436. Karena harga r hitung lebih besar dari r tabel baik untuk kesalahan 5% maupun 1%
(0.7526 > 0,436 > 0,339), maka dapat disimpulkan terdapat hubungan yang positif dan
signifikan sebesar 0,7526 antara nilai kualitas layanan dan nilai rata-rata penjualan barang
tiap bulan.

Koefisien determinasinya r2 = 0,75262 = 0,5265. Hal ini berarti nilai rata-rata penjualan
barang tiap bulan 52,65% ditentukan oleh nilai kualitas layanan yang diberikan, melalui
persamaan regresi Y = 87,87 + 1,39 X. Sisanya 47,35% ditentukan oleh faktor yang lain.
Contoh: Analisis Data Pengujian Hipotesis Pertama
1. Membuat Ha dan Ho dalam bentuk kalimat
Ha : terdapat pengaruh kualitas layanan terhadap kepuasan pelanggan di Pusat Perawatan
Kecantikan VIVA di Jalan WR Supratman 37 Surabaya.
Ho : tidak terdapat pengaruh kualitas layanan terhadap kepuasan pelanggan di Pusat Pera
watan Kecantikan VIVA di Jalan WR Supratman 37 Surabaya.
2. Membuat Ha dan Ho dalam bentuk statistik
Ha : Fhitung ≥ Ftabel

Ho : Fhitung < Ftabel

3. Mencari dan menghitung persamaan regresi dengan menggunakan bahan dari
persiapan kerja analisis regresi sebagai berikut :
4. Memasukkan angka-angka statistik dan membuat persamaan regresi.

a. Menghitung rumus a : b. Menghitung rumus b :

c. Menulis persamaan regresi dengan rumus :

5. Menguji signifikansinya dengan rumus dan langkah-langkah sebagai
berikut :
a. Menghitung Jumlah Kuadrat XY dengan rumus :

b. Menghitung Jumlah Kuadrat Total dengan rumus :

c. Menghitung Jumlah Kuadrat Regresi dengan rumus :

d. Menghitung Jumlah Kuadrat Residu dengan rumus :

JK res = JK Y - JK reg
= 46,167 - 10,945
= 35,222
 e. Mencari F dengan rumus :
hitung
g. Menentukan taraf signifikansi dan mencari nilai
Ftabel menggunakan tabel F dengan rumus :

Taraf signifikansi (α) = 0,05

Ftabel = (0,05 ; 1 ; 28) = 4,20

Cara mencari tabel F :

Angka (1 ; 28) artinya angka 1 sebagai pembilang dan
angka 28 sebagai penyebut.
f. Menentukan aturan untuk pengambilan keputusan
atau kriteria uji
signifikansi.
Jika Fhitung ≥ Ftabel, maka Ho ditolak.
Ha : signifikansi
Ho : tidak signifikan
h. Membandingkan Fhitung dengan Ftabel

Ternyata Fhitung ＞ Ftabel atau 8,700 ＞ 4,20 , maka Ho ditolak dan

Ha diterima.
Dengan demikian dapat dikatakan terdapat pengaruhmkualitas layanan terhadap
kepuasan pelanggan di Pusat Perawatan Kecantikan VIVA di Jalan WR Supratman 37
Surabaya.
Regresi Ganda
Analisis regresi ganda digunakan oleh peneliti, bila peneliti bermaksud meramalkan bagaimana keadaan
(naik turunnya) variabel dependen (kriterium), bila dua atau lebih variabel independen sebagai prediktor
dimanipulasi (dinaik-turunkan nilainya).Jadi analisis regresi ganda akan dilakukan bila jumlah variabel
independennya minimal 2.
Persamaan regresi untuk dua prediktor adalah : Y = a + b1X1 + b2X2

Persamaan regresi untuk tiga prediktor adalah : Y = a + b1X1 + b2X2 + b3X3

Persamaan regresi untuk n prediktor adalah : Y = a + b1X1 + b2X2 + b3X3 + b4X4

Berikut ini diberikan tiga contoh analisis regresi ganda untuk dua, tiga dan empat prediktor :
1. Regresi Ganda Dua Prediktor
Penelitian dilakukan untuk mengetahui pengaruh kemampuan kerja pegawai dan kepemi
mpinan direktif terhadap produktivitas kerja pegawai. Berdasarkan 10 responden yang
digunakan sebagai sumber data penelitian, hasilnya adalah sebagai berikut :
Dari tiga instrumen yang dikembangkan untuk
menjaring data tentang tingkat kemampuan kerja
pegawai, kepemimpinan direktif dan produktivitas
kerjanya hasilnya dapat diberikan pada tabel
disamping:
Untuk menghitung harga-harga a, b1, b2 dapat menggunakan persamaan berikut : (untuk
regresi dua prediktor).

Bila harga-harga dari data diatas dimasukkan dalam persamaan tersebut

maka :
Persamaan (1) dikalikan dengan 4, persamaan (3) dikalikan dengan 1
hasilnya menjadi :

Persamaan (4) dikalikan 27, persamaan 5 dikalikan 46, hasilnya menjadi :

Harga b2 dimasukkan dalam salah satu persamaan (4) atau (5). Dalam hal ini dimasukkan
dalam persamaan (4), maka :

Harga b1 dan b2 dimasukkan dalam persamaan 1, maka :

Jadi :
a = 3,9186
b1 = 2,4909
b2 = -0,466
Jadi persamaan regresi ganda linier untuk dua prediktor (kemampuan
kerja pegawai, dan kepemimpinan direktif) adalah :
Y = 3,9186 + 2,4909 X1 - 0,466 X2
Dari persamaan itu berarti produktivitas kerja pegawai akan naik, bila
kemampuan pegawai ditingkatkan, dan akan turun bila kepemimpinan direksi
(otokrasi) ditingkatkan. Tetapi koefisien regresi untuk kemampuan pegawai
(2,4909) lebih besar daripada koefisien regresi untuk kepemimpinan direktif
(2,4909) lebih besar daripada koefisien regresi untuk kepemimpinan direktif
(diharga mutlak = 0,466) X. Jadi bila kemampuan pegawai ditingkatkan sehingga
sampai mendapat nilai 10, dan juga tingkat kepemimpinan direktif sampai
mendapat nilai 10, maka produktivitasnya adalah :
Y = 3,9186 + 2,4909 . 10 - 0,466 . 10 = 24,1676
Diperkirakan produktivitas kerja pegawai = 24,1676
2. Analisis Regresi Tiga Prediktor
Dilakukan penelitian untuk mengetahui Persamaan Regresi hubungan
antara kemampuan kerja, pemahaman terhadap tugas, motivasi kerja secara
bersama-sama terhadap produktivitas kerja di Lembaga B.
Contoh :
Hubungan antara kemampuan kerja, pemahaman terhadap tugas, motivasi kerja
dan produktivitas kerja.
Dimana :
X1 = kemampuan kerja
X2 = pemahaman terhadap tugas
X3 = motivasi kerja
Y = produktivitas kerja
*) Korelasi ganda (R) dapat dihitung dengan mudah apabila koefisien regresi
dapat dicari.
Dari penelitian tersebut didapatkan data sebagai berikut :
Persamaan regresi untuk tiga prediktor adalah :

Untuk mencari koefisien regresi b0, b1, b2 dan b3 digunakan persamaan simultan
sebagai berikut :
Hasil perhitungan dengan metode skor deviasi dimasukkan ke persamaan 1, 2 dan 3
Sehingga :
Y = b0 + b1X1 + b2X2 + b3X3
Y = 3,556 + 0,375 X1 + 0,305 X2 + 0,273 X3
Berdasarkan analisis regresi, koefisien regresi didapat berturut-turut :

b0 = 3,556; b1 = 0,375; b2 = 0,305; b1 = 0,273

TERIMA KASIH