DASAR – DASAR

REGRESI &
KORELASI
DENY ADITYA PUSPASARI, ST, M.PWK
OUTLINE

• Jenis data dan cakupan

• Dasar-dasar pemikiran regresi sederhana
(tunggal dan ganda)
• Dasar-dasar pemikiran korelasi (ganda
dan parsial)
• Contoh penggunaan dan aplikasi
Apa itu data?

Data --> catatan atas kumpulan fakta.[1] Data

merupakan bentuk jamak dari datum, berasal dari
bahasa Latin yang berarti "sesuatu yang diberikan".
Data --> berarti suatu pernyataan yang diterima secara a
pa adanya.
Pernyataan ini adalah hasil pengukuran atau
pengamatan suatu variabel yang bentuknya dapat
berupa angka, kata-kata, atau citra.
DATA #1

■ SUMBER DATA  kuesioner, catatan-

catatan, rekaman atau transkrip wawancara,
salinan dokumen, catatan-catatan atau
rekaman video observasi, pengukuran
perilaku, bagan, peta, tabel/ diagram, foto,
catatan buku harian penelitian, dll.
DATA #2

Jenis DATA  Kuantitatif & Kualitatif

Kuantitatif (sejumlah angka):

berupa tabel, daftar pengukuran survei, peta
wilayah yang diberi nomor memuat skala
tertentu.

Kualitatif (sejumlah kata-kata):

menawarkan detail, data kualitatif
memungkinkan untuk di kuantitatifkan
DATA #3

Skala Kuantitatif/ Definisi Contoh

Data Kuantitatif
Nominal Nilai-nilai numerik utk Pengkodean:
mengkategorikan Pria  diberi tanda 1
sesuatu Wanita  diberi tanda 2

Ordinal Nilai-nilai numerik Tingkat kepuasan:

dalam hubungan skala Sangat puas  diberi tanda 5
kualitatif Puas  diberi tanda 4
Agak puas  diberi tanda 3
Tidak puas  diberi tanda 2
Sangat tdk puas  diberi tanda 1
DATA #3 lanjutan…

Skala Kuantitatif/ Definisi Contoh

Data Kuantitatif
Interval Pengukuran berdasar Tahun 2000, terjadi 1500 tahun
skala kuantitatif, setelah tahun 500
terdapat ukuran
perbedaan rentang
yang sama dan tetap
antara satu dengan
lainnya, tdk memiliki
nilai nol absolut
Rasio Pengukuran berdasar Jarak, penghasilan, dan panjang
skala kuantitatif,
terdapat ukuran
perbedaan rentang
yang sama dan tetap
Antara satu dengan
lainnya, memiliki nilai
nol absolut
Jenis Metode Statistik #1

• Statistik Deskriptif  variabel frekuensi, rata-rata

dan range (mean, median, modus)
• Statistik Inferensi  menilai signifikan data dan
hasil (membanding-kan pengukuran sampel dari
variabel tertentu dengan sampel atau populasi lain
nya)
• Interrelasi Sederhana  cross-tabulasi, atau
korelasi antara 2 variabel
• Statistik Multivariasi  menguji keterbuhungan
antara variabel atau lebih secara simultan.
Jenis Metode Statistik #2

Jenis Fungsi Asumsi

Deskriptif Data nominal/ordinal  •Data
perbandingan (proportion), persentase nominal/ordinal
dan rasio. •Data
Data interval/ rasio  interval/ rasio
mean (rata-rata), median (nilai tengah),
mode/ modus (nilai frekuensi)

Inferensial Membandingkan nilai •Random sampling,

data nominal
Kolmogorov Membandingkan 2 sampel •Random sampling,
Smirnov data ordinal

Student Tes rata-rata sampel tunggal atau rata- •Random sampling,

T-test rata dua sampel data interval
•Distribusi normal
Statistik Multivariasi

• Analisis terhadap 2 (dua) variabel atau lebih 

Analisis Multivariasi (Multivatiate Analysis)

FUNGSI:
• Menganalisis ukuran atau kondisi dari 2
variabel atau lebih.
• Memprediksi nilai 1 atau lebih variabel akibat
(respon) dari 1 atau lebih variabel penyebab
(predictor)
Variabel bebas/ independen

Menurut Sugiyono (2014: 59)

“Variabel bebas/independen sering disebut sebagai

variabel stimulus, predictor, antecedent.

Variabel bebas -->variabel yang mempengaruhi

atau yang menjadi sebab perubahannya atau timbulnya
variabel dependen (terikat).”
Variabel terikat/ dependen

Menurut Sugiyono (2014: 59)

“Variabel terikat/ dependen sering disebut sebagai

variabel output, criteria, konsuken.

Variabel terikat --> variabel yang dipengaruhi

yang menjadi akibat karena adanya variabel bebas.”
CONTOH
Variabel X : Intensitas belajar
(diukur dari lamanya belajar dalam satu minggu)
Variabel Y : Prestasi matakuliah statistik
(diukur dari nilai ujian akhir semester)

Hipotesa:
H0: Tidak ada hubungan antara Intensitas belajar dengan
prestasi mata kuliah statistik
Ha: Ada hubungan antara Intensitas belajar dengan
prestasi
mata kuliah statistik
REGRESI LINIER
TERMINOLOGI

■ Y = a + bX

■ Y  variabel akibat (response)

■ (var. tidak bebas(dependent)/ var. endogen/ var. diterangkan)
■ X  variabel sebab (predictor)
■ (var. bebas(independent)/ var. eksogen/ var. menerangkan)
■ a  konstanta
■ b  koefisien regresi (kemiringan); besaran
■ Response yang ditimbulkan oleh Predictor
REGRESI BERGANDA
TERMINOLOGI

■ Y=a+b
1 X1 + b2 X2 + .... + bn Xn

■ Y  variabel akibat (response)

■ (var. tidak bebas(dependent)/ var. endogen/ var. diterangkan)
■ X  variabel sebab (predictor)
■ (var. bebas (independent)/ var. eksogen/ var. menerangkan)
■ a  konstanta
■ b  koefisien regresi (kemiringan); besaran
■ Response yang ditimbulkan oleh Predictor
Y = a + bX

a = (Σy) (Σx²) – (Σx) a = (∑y x ∑x2) - (∑x x ∑xy)

(Σxy) (x x ∑x2) - (∑x)2
. atau
b = n(Σxy) – (Σx) (Σy)
b = (x x ∑xy) - (∑x x ∑y)
.
(x x ∑x2) - (∑x)2
Analisis Korelasi

--> suatu analisis untuk mengetahui tingkat keeratan

hubungan antara 2 variabel yaitu variabel
independen
(X) dengan variabel dependen (Y) atau untuk
mengetahui kuat atau lemahnya hubungan antara
variabel independen dan dependen.
Jenis Analisis Korelasi
Analisis Korelasi Parsial

--> menunjukkan arah dan kuatnya

hubungan antara dua variabel atau
lebih, arahnya dinyatakan dalam
bentuk hubungan positif atau
negative, sedangkan kuat atau
lemahnya hubungan dinyatakan
dalam besarnya koefisien korelasi.

Analisis Korelasi Simultan

--> untuk mengetahui derajat

atau kekuatan hubungan antara
variabel independen (X) dan
variabel dependen (Y) secara
bersama – sama.
JENIS UJI PADA REGRESI

Uji Asumsi Klasik

Uji Normalitas --> a) Test of Normality Kolmogorov-Smirnov;

b) Normal probability plot (grafik)

Uji Multikolinieritas --> a) Tolerance value;

b) Variance Inflation Faktor (VIF)

Uji Heteroskedastisitas --> Grafik scatterplot antara ZPRED & SRESID

Uji Autokorelasi --> Uji Durbin Waston

Uji Signifikasi
Uji signifikasi pengaruh variabel independen terhadap variabel
dependen secara parsial menggunakan uji t dan secara
stimultan menggunakan uji F.
Uji Parsial (T tes) Uji Stimultan (F tes)
Perbedaan Uji F dan Uji T

Bahwa uji F adalah uji yang mengukur

besarnya perbedaan variance antara
kedua atau beberapa kelompok.

Sedangkan Uji T adalah uji yang

mengukur perbedaan dua atau
beberapa Mean antar kelompok.
UJI F & UJI T #1

Uji F dikenal dengan Uji serentak atau uji Model/Uji Anova

 uji untuk melihat bagaimanakah pengaruh semua variabel
bebasnya secara bersama-sama terhadap variabel terikatnya.
 untuk menguji apakah model regresi yang kita buat baik/
signifikan atau tidak baik/non signifikan.
UJI F & UJI T #2

Cara Melakukan Uji F

Uji F dapat dilakukan dengan membandingkan F hitung dengan

f tabel, dapat menggunakan model signifikan atau bisa dilihat
dalam Kolom signifikansi pada Anova
(Olahan dengan SPSS, Gunakan Uji Regresi dengan Metode Enter/
Full Model).

Model signifikan selama kolom signifikansi (%) < Alpha

(kesiapan berbuat salah tipe 1, yang menentukan peneliti
sendiri, ilmu sosial biasanya paling besar alpha 10%, atau 5%
atau 1%).
Dan sebaliknya jika F hitung < F tabel, maka model tidak signifikan,
hal ini juga ditandai nilai kolom signifikansi (%) akan lebih besar
dari alpha.
UJI F & UJI T #3
Cara Melakukan Uji T

Uji t dikenal dengan uji parsial

untuk menguji bagaimana pengaruh masing-masing
variabel bebasnya secara sendiri-sendiri terhadap variabel
terikatnya.

Uji ini dapat dilakukan dengan mambandingkan t hitung

dengan
t tabel atau dengan melihat kolom signifikansi pada masing-
masing t hitung, proses uji t identik dengan Uji F
(lihat perhitungan SPSS pada Coefficient Regression Full Model/
Enter). Atau bisa diganti dengan Uji metode Stepwise.
CONTOH SOAL

Bagaimanakah pengaruh tinggi dan diameter

pohon? Tentukan persamaan regresi, korelasi!

Ket. Koef. Ukuran (cm)

Tinggi Y 35 49 27 33 60 21 45 51

Poho
n
Diameter X 8 9 7 6 13 7 11 12
Pohon
Jawaban
a = (∑y x ∑x2) - (∑x x ∑xy) b = (x x ∑xy) - (∑x x
∑y) (x x ∑x2) - (∑x)2 (x x ∑x2) - (∑x)2

maka diperoleh :

Persamaan regresi diperoleh :

Y' = -1,3147 + 4,5413X

dimana :
Y' = Tinggi pohon yang
diprediksi X = Diameter batang
pohon
Interpretasi dari koefisien regresi :
Nilai a = -1,3147 artinya tidak ada
diameter batang pohon maka tidak ada
1 tinggi pohon. (karena tidak ada tinggi yang
2 bernilai negatif sehingga dianggap nol).
Nilai b = 4,5413 artinya jika terjadi peningkatan
3
1 diameter batang pohon satu satuan maka akan
3 terjadi peningkatan tinggi pohon sebesar 4,5413
satuan.
2
Jawaban (lanjutan…)
Koefisien Determinasi R2 :

r = 0,886 bernilai positif dan kuat

artinya r > 0.5 sehingga terdapat hubungan atau korelasi yang kuat antara tinggi pohon dengan
diameter batang pohon. Semakin besar diameter batang pohon maka semakin tinggi batang
pohon.

R2 = 0,8862 = 0,785
artinya sekitar 78,5% variasi dari variabel diameter batang pohon dapat menjelaskan variasi
dari variabel tinggi pohon. (cukup tinggi)
Standar Error Estimate Persamaan Regresi:

Jadi besarnya standar error estimate persamaan regresi adalah 6,6364. Hal ini
menunjukkan penyimpangan data-data terhadap garis regresi, atau bagaimana
penyimpangan data yang menyebar disekitar garis regresi. (cukup kecil).
Jawaban Latihan (lanjutan…)
Pengujian Koefisien Regresi :
> Hipotesis Uji
Ho : b = 0
Ha : b ≠ 0

> Taraf
Signifik
ansi
Pilih nilai
signifikan
si a = 5%

> Daerah
Kritis
dengan
nilai a =
5% dan
derajat
bebas n-
2=8-2=6,
maka
diperoleh
nilai t-
tabel
pada
TUGAS
Buatlah soal dan intepretasikan jawaban perhitungan
dengan menggunakan Analisis Regresi !
(sampel 10 responden)
a. Hitung nilai a dan b, serta buat persamaan
b. Hitung koefisien determinasi (r2)
c. Hitung standar error estimate (SE)
d. Uji koefisien regresi T test dan F test

• Tugas dalam bentuk jpeg ditulis di kertas folio bergaris

• Cantumkan di File jpeg anda : Nama - NIM - Kelas - Judul Tugas
• Dikumpulkan pada Kamis, 8 Oktober 2020 jam 12.00
di FOLDER FILE MS.TEAMS Chanel 7  Tugas
Pertemuan 7
TERIMA KASIH