REGRESI

DAN
KORELASI
REGRESI
LINIER
 XI. ANALISIS REGRESI
DAN KORELASI

11.1. REGRESI LINIER

Analisis regresi untuk menya-

takan bentuk hubungan antara dua
variabel atau lebih. Jadi disini ada
variabel yang variasinya dipe-
ngaruhi (dependent = Y) oleh
variabel lainnya (bebas = X ).
 Diantara berbagai metode
yang digunakan untuk memper-
kecil error yang ada Metode
Kuadrat Terkecil (Least Square
Method) hingga saat ini masih
merupakan metode yang terbaik.
 Metode kuadrat terkecil ini
digunakan untuk meminimum-
kan Jumlah Kuadrat Error
dengan menggunakan formula
sebagai berikut :

 (Yi  Y )  min
i 1
Kita umpamakan bahwa garis
regresi Y atas X membentuk
hubungan linier, maka model
liniernya dapat ditulis dengan
persamaan sebagai berikut :

Yi   0  1 X  ei
β0 dan β1 adalah parameter dari
persamaan garis regresi yang
akan diduga besarnya.
Berdasarkan data sampel yang
kita peroleh dapat untuk meng-
estimasikan / menduga β0 dan
β1 dengan b0 dan b1 dari per-
samaan :

Yi  b0  b1 X  ei
Ŷi : (baca Y topi) adalah nilai
penduga Y untuk setiap harga X
bila b0 dan b1 telah dihitung/ diketahui.
b0 : intersep, yaitu jarak dari titik (0,0)
dengan titik potong garis regresi
Y
pada
sumbu Y, disebut juga konstanta.
b1 : koefisien regresi (kemiringan garis
regresi), disebut juga slope.
Untuk analisis regresi data disusun dalam
tabel seperti tercantum dibawah ini

No X Y X2 Y2 X.Y
1 X1 Y1 X12 Y12 X1.Y1
2 X2 Y2 X22 Y22 X2.Y2
: : : : : :
n Xn Yn Xn2 Yn2 Xn.Yn

N X Y X2 Y2 X.Y

 x2 =  X2 - (  X) 2/ N
 y2 =  Y2 - (  Y) 2/ N
 xy =  XY - (  X)(  Y) / N

b1 =  xy /  x2
_ _
b0 = Y - b1.X

maka persamaan garis regresinya :

Yi  b0  b1 X  ei
 Untuk mengetahui apakah
garis regresi tersebut linier atau
bukan linier perlu dilakukan uji
terhadap garis regresi tersebut
(test linierity).

Untuk keperluan tersebut

perlu dihitung terlebih dahulu JK
Regresi dan JK Deviasi.
JK Regresi = b1 x  xy
= atau (xy)2/x2

JK Total =  y2

JK Deviasi = JK Total - JK Regresi

DB Regresi = 1
DB Deviasi = N–2
DB Total = N-1
KT Regresi = JK Reg / DB Reg
KT Deviasi = JK Dev / DB Dev

F hitung Regresi = KT Reg/KT Dev

F tabel dicari dengan cara melihat
DB Reg dan DB Dev
Perhatikan Tabel ANAVA
Tabel ANAVA
SV JK DB KT F hit F 0.05 F 0,01
Reg JK r 1 KT r F reg …. ….
Dev JK d N-2 KT d
TOT JK t N-1

F hit < F 0.05 Regresi tidak nyata

F 0.05 < F hit < F 0.01 Regresi nyata
F hit > F 0.01 Regresi sangat nyata
 Apakah persamaan garis yang
kita peroleh tadi dapat digunakan
sebagai persamaan penduga nilai Y
untuk setiap harga X ?

H0 : b1 = 0 (tidak dapat untuk

menduga nilai Y)
H1 : b1  0 (dapat digunakan untuk
menduga nilai Y)
kemudian lakukan uji terhadap
koefisien regresi tersebut dengan
rumus sebagai berikut :

b1  0
t hitung 
Sb1

Sb1 : standard error koefisien

regresi yang besarnya
dapat dihitung dari :
 KT Deviasi
Sb  2
Σx
Bila dari hasil uji diperoleh :
t  < t  ;(n-2) maka H0 diterima
t  > t  ;(n-2) maka H1 diterima

Jika H1 diterima maka persamaan

tersebut dapat sebagai penduga Y
untuk setiap harga X
No X Y
1 168 63
2 173 81
3 162 54
4 157 49
5 160 52
6 165 62
7 163 56
8 170 78
9 168 64
10 164 61
 x2 = 272460 – (1650)2/10 = 210

 y2 = 39432 – (620)2/10 = 992

 xy = 102732 – (1650)(620)/10 = 432

maka b1 =  xy /  x2 = 432 / 210

= 2.057142857
= 2.06
 _ _
bo= Y – (b1)( X) =

= 62 - ( 2.057142857 )( 165 )
= - 277.4285714
= - 277.43
N a +  X b =  Y ….(1)
 X a +  X2 b = XY ….(2 )

10 a + 1650 b = 620
1650 a + 272460 b = 102732

2100 b = 4320
b = 2,057142857
10 a = 620 – (1650)(2,057142857)
10 a = - 2774,2857143
a = - 277,42857143

maka persamaan garis regresi linier

Y = - 277.43 + 2.06 X
Uji regresi linier :
JK Reg = b1 x  xy
= 2.057142857 * 432
= 888.6857142

JK Tot =  y2 = 992

JK Dev =  y2 - ( b1 x xy )
= 992 - 888.6857142
= 103.3142858
Uji Koefisien regresi :

H 0 : b1 = 0 (tidak dapat untuk

menduga nilai Y)
H 1 : b1  0 (dapat digunakan untuk
menduga nilai Y)

12.91
Sb   0.248
210
 2.06  0
t hitung   8.29
0.248

t 0.05 = 2.306
t 0.01 = 3.355 (dengan d b = N-2 = 8)

t hit > t 0.01 H1 diterima

maka garis regresi linier tersebut dapat

digunakan sebagai garis penduga.
 Regresi Linier

90
80
70
Berat Badan (kg)

60
50
Linier
40
30
20
10
0
155 160 165 170 175
Tinggi Badan (cm)
11.2. KORELASI ( rxy )

Analisis korelasi bertujuan

untuk mengukur kuat/eratnya
tingkat hubungan linier antara dua
variabel. Untuk mengukur kuatnya
hubungan antara dua variabel X
dan Y digunakan nilai yang disebut
"Koefisien Korelasi" yang diberi
simbol r , yang mempunyai nilai -1
sampai +1.
Nilai r = 1 berarti hubungan X
dengan Y sempurna dan positip,

nilai r = -1 berarti hubungan X

dengan Y sempurna dan negatip,

nilai r = 0 berarti hubungan X

dengan Y lemah sekali atau tidak
ada hubungan.
Koefisien korelasi dapat dihitung
dengan formula :

xy
rxy 
2 2
(x )(y )
rumus diatas hanya berlaku untuk
regresi dan korelasi linier saja,
untuk regresi kuadratik dan kubik
pendugaan koefisien korelasinya
berbeda yaitu :

JK Regresi
rxy 
JK Total
Pada contoh soal regresi linier
dimuka diperoleh hasil :

 x2 = 272460 – (1650)2/10 = 210

 y2 = 39432 – (620)2/10 = 992
 xy = 102732 – (1650)(620)/10 = 432

432
rxy   0.9464948677
(210)(992)
Pengujian Koefisien Korelasi :

H0 : r = 0 , koefisien korelasi
populasi tidak berarti

H1 : r  0 , koefisien korelasi
populasi mempunyai
arti
dari hasil perhitungan diperoleh
r xy = 0.9464948677 = 0.95

DB = 10 - 2 = 8
pada tabel r diperoleh
r 0.05 = 0.632
r 0.01 = 0.765
11.3. KOEFISIEN DETERMINASI

Koefisien determinasi meru-

pakan proporsi dari variansi Y
yang diterangkan oleh pengaruh
linier dari X atau koefisien
determinasi merupakan ukuran
besarnya sumbangan /andil dari
variabel X terhadap variasi naik
turunnya Y.
 Koefisien determinasi disebut
juga efektifitas regresi digunakan
sebagai ukuran ketepatan garis
regresi. Makin besar nilai koefisien
determinasi semakin tepat suatu
garis regresi,
 semakin kecil nilai koefisien
determinasi semakin tidak tepat
garis regresi tersebut untuk
mewakili data hasil
pengamatan /observasi. Nilai
koefisien determinasi terletak
antara 0 dan 1 atau 0 < r2 < 1.
Dari hasil perhitungan diperoleh
koefisien korelasi sebesar
(r) = 0.9464948677
maka r 2 = 0.9464948677 2 x 100
% = 89.58525346 % = 89.59 %
koefisien determinasi sebesar
89.59% ini berarti sumbangan
tinggi badan terhadap naik turun-
nya berat badan sebesar 89.59 %
sedangkan sisanya (100%-89.59%
= 10.41 %) disebabkan oleh faktor
yang lain (misalnya umur, jenis
kelamin bangsa dan makanan serta
faktor yang lain) yang tidak
diamati dan diukur.
 CASIO fx 3600 P
MODE 2  “LR”
INV/SHIFT AC  “ Hapus Memory”
MASUKKAN DATA :
X1 XDYD Y1 DT
:
Xn XDYD Yn DT
HASIL / OUT PUT :

KOUT 1   X2
KOUT 2  X
KOUT 3  N
KOUT 4   Y2
KOUT 5  Y
KOUT 6   XY
INV 1  X bar
INV 2  x n (populasi)

INV 3  x n-1 (sampel)

INV 4  Y bar
INV 5  n
y (populasi)

INV 6  n-1 (sampel)

y

INV 7  a (intersep)
INV 8  b (koef. Regresi)
INV 9  r (koef. Korelasi)
 CASIO fx 3650 P
MODE MODE 2 (Regresi)
1 Lin (Linier)
2 Log (Logaritmik)
3 Exp (Exponensial)
4 Pwr (Power / Pangkat)
5 Inv (Invers / Kebalikan)
6 Quad (Kuadrater)
SHIFT Clr 1 (Scl) EXE (Hapus Memory)
MASUKKAN DATA :
X1 , Y1 DT
X2 , Y2 DT
:
Xn , Yn DT
HASIL / OUT PUT :

 X2 Shift S-Sum 1
X ,, ,, 2
N ,, ,, 3
 Y2 ,, ,, 1
Y ,, ,, 2
 XY ,, ,, 3
X bar Shift S-Var 1
X n ,, ,, 2

X n-1 ,, ,, 3
Y bar ,, ,, 1
n
Y ,, ,, 2
n-1
Y ,, ,, 3
a ,, ,,  1
b ,, ,,  2
r ,, ,,  3
 X3 Shift S-Sum 1
 X2Y ,, ,, 2
 X4 ,, ,, 3

c Shift S-Sum 3

11.4. REGRESI NON LINIER

Bagaimana jika setelah diuji

ternyata bentuk regresi linier
ditolak (uji regresi tidak nyata ?),
jawaban yang jelas adalah kita
perlu mencari regresi Y atas X yang
bentuknya non linier, diantaranya
adalah :
a. Parabola atau Polinum pangkat dua
atau Kuadratik
Y = a + b X + c X2

b. Polinum pangkat tiga atau Kubik

Y = a + b X + c X2 + d X3
c. Polinum pangkat k ( k > 3 ),
berbentuk
Y = a0 + a1 X + a2 X2 + ..... + ak Xk

d. Eksponensial
Y = a.bx

e. Eksponensial (khusus) atau

pertumbuhan Y = a.ebx
f. Geometrik
Y = a.Xb

g. Logistik

1
Y X
a.b

h. Hiperbola
a
Y X
b
i. Multiplikatif

Y = a. X1b . X2c

Persamaan garis regresi model

(d), (e), (f), (g) dan (h) dapat
diselesaikan dengan cara yang
telah dijelaskan di muka, karena
dengan transformasi bentuk-
bentuk tersebut dapat menjadi
linier.
Transformasi yang digunakan
adalah logaritma sehingga :

bentuk (d) menjadi

(d') Log Y = Log a + X Log b
yang linier dalam X dan Log Y
bentuk (e) menjadi
(e') Ln Y = Ln a + b X
yang linier dalam X dan Ln Y
( Ln adalah logaritma dengan
bilangan pokok e )

bentuk (f) menjadi

(f ') Log Y = Log a + b Log X
yang linier dalam Log X dan
Log Y
bentuk (g) menjadi
(g') Log Y = - Log a - X Log b
yang linier dalam X dan Log Y

bentuk (h) menjadi

(h') Log Y = Log a - Log b - Log X
yang linier dalam Log X dan
Log Y
 Dalam pelaksanaannya kita
harus bekerja dengan data dari X
dan Y yang telah dibuat loga-
ritmanya terlebih dahulu kecuali
untuk (d'), (e'), (g') tetap masih X.
Bentuk (i) merupakan regresi
berganda (dengan dua peubah
bebas X1 dan X2) yang dapat
dikembalikan pada bentuk multi-
pel linier menjadi :

(i') Log Y = Log a + b Log X1 +

c Log X2

ini merupakan bentuk linier dalam

log X1, log X2 dan log Y.