KORELASI DAN REGRESI

(ANALISIS HUBUNGAN)

Analisis hubungan antara variabel secara garis besar

ada dua, yaitu analisis korelasi dan analisis regresi.
Kedua analisis tersebut saling terkait.

Analisis korelasi menyatakan derajat keeratan

hubungan antar variabel, sedangkan analisis regresi
digunakan dalam peramalan/pendugaan variabel
dependent (terikat/tak bebas/respon) berdasar variabel
independent (bebas/prediktor)-nya.
Hasil pengamatan dapat digolongkan ke dalam beberapa faktor,
karakateristik atau atribut. Tiap faktor atau atribut terdiri dari beberapa
klasifikasi, kategori, golongan atau mungkin tingkatan

Setiap faktor atau atribut perlu diselidiki mengenai :

• Assosiasi atau hubungan atau kaitan antar faktor

• Jika ternyata tidak terdapat kaitan antar faktor maka faktor dapat
dikatakan bahwa faktor-faktor itu bersifat “independen atau bebas”
tepatnya “bebas statistik”.
 Analisis korelasi mencari derajat keeratan hubungan dan arah
hubungan
 Rentang nilai korelasi “R2” dari 0 sampai 1 dan 0 sampai -1.
Positif dan negatif menunjukkan arah hubungan.
 Ukuran korelasi (Young 1982) dinyatakan sbb:
• 0.7 s.d. 1.00 (baik plus maupun minus) menunjukkan tingkat
hubungan yang tinggi.
• 0.4 s.d. <0.7 (baik plus maupun minus) menunjukkan tingkat
hubungan yang substansial.
• 0.2 s.d. <0.4 (baik plus maupun minus) menunjukkan tingkat
hubungan yang rendah
• <0.2 (baik plus maupun minus) menunjukkan tidak adanya
hubungan
 Semakin tinggi nilai korelasi semakin tinggi keeratan hubungan
kedua variabel.
Kurva Korelasi

Korelasi positif
Kurva Korelasi

Korelasi negatif
Kurva Korelasi

Tak ada korelasi

 REGRESI
 Analisis regresi adalah salah satu teknik statistik untuk
membuat model dan menyelidiki hubungan antara dua
variabel atau lebih.
Beberapa persamaan non lineir dapat
ditransformasi ke bntuk lineir:

Keterangan: a = Konstanta regresi

b, c, d = koefisien regresi
x = variabel bebas (independent)
ln = logaritma natural
e = bilangan alam =2,714
u = harga batas atas dari model logistik
 ANALISIS PARAMETER REGRESI

A. Pengertian
 Aproksimasi : Nilai yang sifatnya dugaan (Interpolasi atau
Estimasi)
 Interpolasi adalah aproksimasi/perkiraan nilai antara dua
data atau lebih.
Model interpolasi : Interpolasi lineir, kuadratik,
kubik/spline.
 Estimasi adalah aproksimasi/perkiraan dengan nilai
pedekatan dari data.
Estimasi

Interpolasi

Estimasi
B. Model regresi
 Model lineir
• Sederhana y= f(x)
n  n  n 
n  xi yi    xi   yi 
  
b
i 1  i 1  i 1 
2
n  n 
y n  xi    xi 
2
 
i 1  i 1 
Y = a+bX
a1
_ _
= a0 + a1 x a  Yb X

a0
x

• Berganda y = f (x1, x2, … xn)

y1 y2

a0 a0
x1 x2

y = a0 +a1 x1 + a2 x2 + ….. An xn
 Model non lineir
Hubungan yang non lineir harus
ditransformasi menjadi lineir
• Sederhana
Contoh :
y= ao xa1 atau ln y = ln ao +a1 ln x
y= ao a1x atau ln y = ln ao + x ln a1
• Berganda
Contoh:
y= ao x1a1x2a2 atau log y=log ao+a1 log
x1+a2 log x2
 Model Polinom
y

y = a1 + a2 x +a3 x2 +a4 x3 +…..+ an xn-1

n
y =Σ ai xi-1
i=1

y = a0 + a1 x1 + a2x2 + a3x3+….+anxn
n
y =Σ ai xi
i=0
C. Analisis Regresi
1. Regresi Lineir Sederhana
2. Regresi Lineir Berganda
3. Regresi Nonlineir Sederhana
4. Regresi Non Lineir Berganda

 Penyajian :
 Sistem Aljabar OLS
 Sistem Matriks OLS
 REGRESI LINEIR SEDERHANA
Regresi lineir sederhana adalah regresi di mana variabel yang
terlibat di dalamnya hanya dua dan berpangkat satu yaitu :
 Variabel respon Y atau ( tak bebas, terikat
“dependent”), yang nilainya akan ditentukan oleh
variabel bebas X.
 Variabel bebas (independet) X atau (penjelas,
penaksir).

Secara matematis kedua variabel dapat ditulis:

Y = a0 + a1 X atau Y=a+bX atau Y=βo+ β1X
Taksiran a0 adalah konstanta yang biasa disebut koefisien
regresi penggalan (intercept) dan tidak selalu bermakna,
sedangkan a1 adalah koefisien regresi (slope) untuk X.
Kedua koefisien tersebut dikenal sebagai parameter regresi
yang akan diestimasi.
Contoh:
Misalkan seorang pengusaha mengeluarkan uang sejumlah x juta
rupiah untuk satu unit usahanya akan meningkatkan
pendapatannya y %.

n Y X
1 40 100
2 45 200
3 50 300
4 65 400
5 70 500
6 70 600
7 80 700
Tentukan : Persamaan regresi dan berapa besar uang yang harus
dikeluarkan untuk meningkatkan pendapatan menjadi 100%.
• Penyelesaian:
Persamaan lineir sederhana ;
y = a+ b x

n Y X XY Y2 X2
1 40 100 4000 1600 10000
2 45 200 9000 2025 40000
3 50 300 15000 2500 90000
4 65 400 26000 4225 160000
5 70 500 35000 4900 250000
6 70 600 42000 4900 360000
7 80 700 56000 6400 490000

Σ 420 2800 187000 26550 1400000

1 1
X 
n
 X i 
7
(2800)  400

1 1
Y 
n
 Yi 
7
( 420)  60
 1 1 1 1
X   X i  (2800)  400 Y   Yi  ( 420)  60
n 7 n 7
n  n  n  n

n  xi yi   xi   yi
 


 xi yi  1 8 7 0 0 0
i 1  i 1  i 1  i 1
b 
 
2  n 
n n   xi   2 8 0 0
n  xi2    xi   
   i 1 
i 1  i 1 
 n 
  yi   4 2 0
7(187000)  (2800)( 420) 
 i 1


b
7(1400000)  2800
2 n
 xi2  1 4 0 0 0 0 0
i 1
1309000  1176000
b
9800000  7840000 _ _

1309000  1176000 a Yb X

b
9800000  7840000 a  60  0.0679(400)
133000 a  60  27.16  32.84
b  0.0679
1960000 Y  32.84  0.0679 X
Dari perhitungan diperoleh ;
a = 32.84
b = 0.0679

Y = 32.84 + 0.0679 X

Untuk Y= 100 %, maka X = …..

100 = 32,84 + 0,0679 X
X = (100-32,84)/0,0679
= 989,101 Juta

Untuk meningkatkan pendapatan 100 % diperlukan

pengeluaran 989 juta
Koefisien determinasi (R2)

Salah satu cara untuk mengetahui sejauh mana

variabel bebas X menduga variabel terikat Y dalam
model probabilistik adalah koefisien determinasi.
Nilai R2 mempunyai interval dari 0 sampai 1, semakin
besar R2 (mendekati 1), semakin baik nilai regresi
tersebut.

JKR
a  Yi  b X iYi 
1
 Yi 2
2
R   n
JKT 2 1
 Yi   Yi 2
n

32.84(420)  0.0679(187000)  0.142857(176400)

R2 
26550 0.142857(176400)
2 1290.1
R   0.96
1350
Penyelesaian dengan Excel
SUMMARY OUTPUT

Regression Statistics
Multiple R 0.98
R Square 0.96
Adjusted R Square 0.95
Standard Error 3.48
Observations 7.00
ANOVA
Significance
df SS MS F F
Regression 1 1289.28571 1289.28571 106.17647 0.00015
Residual 5 60.71 12.14
Total 6 1350
 Coeffi Standard Lower Upper Lower Upper
cients Error t Stat P-value 95% 95% 95.0% 95.0%
Intercept 32.86 2.95 11.16 0.00 25.29 40.43 25.29 40.43
X Variable
1 0.07 0.01 10.30 0.00 0.05 0.08 0.05 0.08

Diperolehpersamaanregresi :
Y  a  bX
Y  32.86 0.07X
2
R  0.96
Penyelesaian dengan SPSS
 Variables Entered/Removedb

Model Variables Entered Variables Removed Method

1
Xa . Enter
a. All requested variables entered.

b. Dependent Variable: Y
 Model Summaryb

Std. Error of the

Model R R Square Adjusted R Square Estimate
1 .977a .955 .946 3.48466
a. Predictors: (Constant), X
b. Dependent Variable: Y

ANOVAb

Sum of Mean
Model Squares df Square F Sig.
1 Regression 1289.286 1 1289.286 106.176 .000a
Residual 60.714 5 12.143
Total 1350.000 6
a. Predictors: (Constant), X
b. Dependent Variable: Y
 Coefficientsa
Standardiz
ed
Unstandardized Coefficient 95% Confidence
Coefficients s Interval for B
Lower Upper
Model B Std. Error Beta t Sig. Bound Bound
1 (Constant)
32.857 2.945 11.157 .000 25.287 40.428
X
.068 .007 .977 10.304 .000 .051 .085
a. Dependent Variable: Y

Diperolehpersamaanregresi :
Y  a  bX
Y  32.86 0.07X
R 2  0.96
 Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value
39.6429 80.3571 60.0000 14.65882 7

Residual
-3.57143 5.00000 .00000 3.18105 7

Std. Predicted Value

-1.389 1.389 .000 1.000 7

Std. Residual
-1.025 1.435 .000 .913 7

a. Dependent Variable: Y
 Correlations
Y X
Pearson Correlation Y 1.000 .977
X .977 1.000
Sig. (1-tailed) Y . .000
X .000 .
N Y 7 7
X 7 7