Analisis Korelasi

dan Regresi
Bab 6
Korelasi dan
Regresi
Korelasi = Hubungan - simetris
Regresi = ramalan/ taksiran – hubungan sebab akibat
Tujuan utama materi ini adalah
 Untuk melihat ada tidaknya hubungan antara dua
variabel dan seberapa kuat hubungan tersebut melalui
analisis korelasi.
 Bagaimana bentuk hubungan kedua variabel melalui
analisis regresi.
 Untuk mengetahui seberapa besar pengaruh variabel
bebas terhadap variabel terikat dan dapat
memperkirakan nilai suatu variabel berdasarkan variabel
lain yang saling berpengaruh.
 Analisis Korelasi
Negatif Positif
Hubungan Dua
Variabel
Hubungan X dan Y dikatakan positif apabila kenaikan X pada
umumnya diikuti oleh kenaikan Y dan sebaliknya.

Hubungan X dan Y dikatakan negatif apabila kenaikan X pada

umumnya diikuti oleh penurunan Y dan sebaliknya.
Koefisien korelasi (x dan y) mempunyai hubungan positif

16

14

12

10

0 1 2 3 4 5 6 7 8 9 10 11 12 13
Koefisien korelasi (x dan y) mempunyai hubungan negatif

16

14

12

10

0 1 2 3 4 5 6 7 8 9 10 11 12 13
Koefisien korelasi (x dan y) tidak mempunyai hubungan
atau hubungan lemah sekali

Y Y

atau

0 X 0 X
 Kuat dan tidaknya hubungan antara X dan Y diukur
dengan suatu nilai yang disebut koefisien korelasi (r).
Nilai koefisien korelasi ini paling sedikit –1 dan paling
besar +1.
Jadi,
-1 r  +1
Kuat (-) Kuat (+)

-1 +1

Lemah (-) Lemah (+)

Jika r =+1, hubungan X dan Y sempurna dan positif,

r = -1, hubungan X dan Y sempurna dan negatif,
r mendekati +1, hubungan sangat kuat dan positif,
r mendekati –1, hubungan sangat kuat dan negatif.
Perhitungan Koefisien
Korelasi
 Cara menghitung r untuk data interval adalah
sebagai berikut:
n
 xi yi
r i 1
n 2 n 2
 xi  yi
i 1 i 1
atau

n n n
n X iYi   X i  Yi
r i 1 i 1 i 1
2 2
n
  n
2   n n
n X    X i  n Yi    Yi 
i
2

i 1  i 1  i 1  i 1 

Kedua rumus diatas disebut koefisien korelasi Pearson

Koefisien Determinasi
X dikatakan mempengaruhi Y,
jika berubahnya nilai X akan
menyebabkan perubahan nilai
Y
untuk mengetahui berapa besar
kontribusi dari X terhadap naik
turunnya nilai Y maka harus
dihitung dengan koefisien
determinasi, dengan rumus r2
Contoh
Tabel 6.1

X 1 2 4 5 7 9 10 12
Y 2 4 5 7 8 10 12 14
Tabel 6.2

X Y X X Y Y x2 y2 xy
(x) (y)
1 2 -5,25 -5,75 27,5625 33,0625 30,1875
2 4 -4,25 -3,75 18,0625 14,0625 15,9375
4 5 -2,25 -2,75 5,0625 7,5625 6,1875
5 7 -1,25 -0,75 1,5625 0,5625 0,9375
7 8 0,75 0,25 0,5625 0,0625 0,1875
9 10 2,75 2,25 7,5625 5,0625 6,1875
10 12 3,75 4,25 14,0625 18,0625 15,9375
12 14 5,75 6,25 33,0625 39,0625 35,9375
X i  50 Y  62
i xi 0 yi 0 x
i
2
 107,5 yi
2
 117,5 x y
i i  111,5

X  6,25 Y  7,75
 8

x y i i
r i 1
8 8

x y
i 1
2
i
i 1
2
i

111,5
r  0,99
107,5 x 117,5

r 2  0,99  0,9801 x 100%  98%

2

Berarti 98% diantara variansi total nilai X dapat

dijelaskan oleh nilai-nilai Y dan sebaliknya.
Interpretasi Analisis Korelasi

 Hipotesis:
 H1: Ada hubungan (korelasi) antara variabel x
dengan variabel y
 H0: Tidak ada hubungan (korelasi) antara variabel x
dengan variabel y
 Cari dk, dengan rumus: dk=n-(banyak variabel)
dk= 8-2=6
 Cari rt(tabel), lihat di tabel r pearson product moment.
Untuk taraf signifikansi 5%, dk 6 maka rt= 0,707
 Bandingkan r perhitungan dengan r tabel. r=0,99 dan
rt=0.707 maka r>rt
 Buat kesimpulan. Karena r>rt maka H1 diterima. Jadi, Ada
hubungan (korelasi) antara varibel x dengan variabel y.
Tabel 6.3

X Y X2 Y2 XY

1 2 1 4 2
2 4 4 16 8
4 5 16 25 20
5 7 25 49 35
7 8 49 64 56
9 10 81 100 90
10 12 100 144 120
12 14 144 196 168
 X i  50 Yi  62  X i  420
2
Y
i
2
 598 X Y
i i
2
 499
 8 8 8
n X iYi   X i  Yi
r i 1 i 1 i 1
2 2
8
  8 8
 8

8 X    X i 
i
2
 Yi    Yi 
2

i 1  i 1  i 1  i 1 

8499  5062
r  0,99
8420  50 x 8598  62
2 2
 Interpretasi Analisis Korelasi
 Hipotesis:
 H1: Ada hubungan (korelasi) antara variabel x
dengan variabel y
 H0: Tidak ada hubungan (korelasi) antara variabel x
dengan variabel y
 Cari dk, dengan rumus: dk=n-(banyak variabel)
dk= 8-2=6
 Cari rt(tabel), lihat di tabel r pearson product moment.
Untuk taraf signifikansi 5%, dk 6 maka rt= 0,707
 Bandingkan r perhitungan dengan r tabel. r=0,99 dan
rt=0.707 maka r>rt
 Buat kesimpulan. Karena r>rt maka H1 diterima. Jadi,
Ada hubungan (korelasi) antara varibel x dengan
variabel y.
Regresi Linear Sederhana
Regresi merupakan suatu alat ukur yang juga
digunakan untuk mengukur ada atau tidaknya
korelasi antarvariabelnya.

Istilah regresi itu sendiri berarti ramalan atau taksiran.

Kegunaan Regresi: menentukan ada tidaknya
hubungan dua variable, mengetahui bentuk
hubungan, dan dapat memperkirakan nilai Y
berdasar nilai x

Persamaan yang digunakan untuk mendapatkan

garis regresi pada data diagram pencar disebut
Untuk menempatkan garis regresi pada data
yang diperoleh maka digunakan metode
kuadrat terkecil, sehingga bentuk persamaan
regresi adalah sebagai berikut:
Y’ = a + b X
Kesamaan di antara garis regresi dan garis dari
titik-titik pencar tidak dapat berakhir dengan
persamaan garis lurus. Garis regresi memiliki dua
sifat matematis berikut :
(Y – Y’) = 0
dan (Y – Y’)2 = nilai terkecil atau terendah
Agar penyimpangannya dari garis lurus adalah
nol maka tiap data dikurangi dengan rata-rata

X dan Y
Oleh karena itu, dapat digunakan simbol berikut ini :

 
x X X
y  Y  Y 
dan xy  X  X Y  Y 
Nilai dari a dan b pada persamaan regresi
dapat dihitung dengan rumus berikut :

b
 xy i i

x 2
i

n X iYi   X i  Yi
b
n X   X i 
2 2
i

a  Y bX
Tabel 6.9

Karyawan Hasil Produksi Skor Tes y x xy x2 y2

(lusin) (Y) (X) Y  Y  X  X 
A 30 6 -7 -1 7 1 49

B 49 9 12 2 24 4 144

C 18 3 -19 -4 76 16 361

D 42 8 5 1 5 1 25

E 39 7 2 0 0 0 4

F 25 5 -12 -2 24 4 144

G 41 8 4 1 4 1 16

H 52 10 15 3 45 9 225

296 56 0 0 185 36 968

Y
 Y 296
  37 X
 X

56
7
N 8 N 8
  xy
Diagram Pencar
185
b   5,138 ~ 5,14
x
60
2
36 55

50
45

Hasil Produksi (lusin)

40

a  Y  b X  37  5,147   1,02 35

30

25

20

15

Y '  1,02  5,14 X

10

0
0 1 2 3 4 5 6 7 8 9 10 11

X  3  Y '  1,02  5,143  16,44

Hasil Tes Kecerdasan

X  5  Y '  1,02  5,145  26,72

X  6  Y '  1,02  5,146  31,86
X  10  Y '  1,02  5,1410  52,42
Tabel 6.10
X Y X2 Y2 XY X  X  Y  Y 
(x) x2 (y) xy
(1) (2) (3) (4) (5) (6) (7) (8) (9)

19 15 361 225 285 -32,62 1.064,06 -21,5 701,33

27 20 719 400 540 -24,62 606,14 -16,5 406,23

39 28 1.521 784 1.092 -12,62 159,26 -8,5 107,27

47 36 2.209 1.296 1.692 -4,62 21,34 -0,5 2,31

52 42 2.704 1.764 2.184 0,38 0,14 5,5 2,09

66 45 4.356 2.025 2.970 14,38 206,78 8,5 122,23

78 51 6.084 2.601 3.978 26,38 695,90 14,5 382,51

85 55 7.225 3.025 4.675 33,38 1.114,22 18,5 617,53

X i  413 Y  292  X i 2  Y
i i
2
 X Y 
i i x i
2
 x y
i i 

X  51,62 Y  36,50 25.189 12.120 17.416 3.867,84 2.341,50

 b
 xy i i

x 2
i

2.341,50
b  0,61
3.867,84

n X iYi   X i  Yi 817.416  413292 

b   0,61
n X i2   X i  825.189   413
2 2

a  Y bX
a  36,50  0,6151,62   5,01

Jadi persamaan garis regresi Y’ = 5,01 + 0,61 X

Tahun X Y X2 XY
Ribuan milyar Milyar rupiah
rupiah
(1) (2) (3) (4) (5)

1979 32,025 5.301,6 1.025,6006 169.783,7400

1980 45,446 8.077,9 2.065,3389 367.108,2434

1981 54,027 11.720,9 2.918,9167 633.245,0643

1982 59,633 13.921,6 3.556,0947 830.186,7728

1983 73,698 14.358,3 5.431,3952 1.058.177,9934

1984 87,536 18.315,1 7.662,5513 1.603.230,5936

1985 96,066 19.383,5 9.228,6764 1.862.095,3110

Jumlah 448,431 91.078,9 31.888,5738 6.523.827,7160

 n X iYi   X i  Yi
b
n X   X i 
2 2
i

76.523.827,7160  448,43191.078,9
b  217,997
731.888,5738  448,431
2

a  Y bX
a  13.011,271  217,99764,062  954,053

Y '  a  bX
Y '  954,053  217,997 X
Penggunaan Persamaan Regresi
dalam Peramalan

Tujuan utama penggunaan persamaan regresi

adalah untuk memperkirakan nilai dari variabel tak
bebas pada nilai variabel bebas tertentu. Tentu
saja, tidak mungkin untuk mengatakan dengan
tepat.

Y '  1,02  5,14 X

X  4  Y '  1,02  5,144  21,58