UJI KORELASI & REGRESI

LINEAR SEDERHANA
AISYAH APRILICICILIANA ARYANI, S.KM., M.K.M.
JURUSAN KESEHATAN MASYARAKAT
UNIVERSITAS JENDERAL SOEDIRMAN
 Konsep Dasar
• Menganalisis hubungan antara 2 variabel
• Berdasarkan jenis datanya maka uji statistik
yang digunakan akan berbeda
• Data numerik : skala interval dan rasio
• Contoh : hubungan antara umur dengan lama
hari rawat rs
Uji Korelasi vs Regresi Linier Sederhana
• Kekuatan hubungan dapat dikuantifikasi melalui suatu koefisien. Koefisien
korelasi disimbolkan r
• Nilai R akan berkisar antara 0 sampai 1
R = 0, tidak ada hubungan linier
R = 1 berarti hubungan linier sempurna
• Makin mendekati angka 1 semakin kuat hubungannya
• Dilihat tandanya, positif atau negatif
• Perbedaan :
Korelasi hanya melihat besar dan arah hubungan,
REGRESI : Besar dan arah hubungan serta bisa untuk memprediksi variable
dependen
Konsep Dasar
Koefisien Korelasi (R)

Menurut Colton, kekuatan hubungan dua variabel secara kualitatif dapat dibagi dalam
empat area yaitu:
• R = 0,00 – 0,25 (tidak ada hubungan atau hubungan lemah)
• R = 0,26 – 0,50 (hubungan sedang)
• R = 0,51 – 0,75 (hubungan kuat)
• R = 0,76 – 1,00 (hubungan sangat kuat atau sempurna)
Langkah Analisis Uji Korelasi
 Misal : Penelitian yang ingin mengetahui hubungan antara berat badan ibu saat hamil
(dalam kilogram) dengan berat badan bayi yang dilahirkan (dalam kilogram)
Output Uji Korelasi
Interpretasi Output Uji Korelasi
 Rata-rata berat badan ibu adalah 56,60 kilogram
 Rata-rata berat badan bayi adalah 3,17 kilogram
 Nilai p adalah 0,0005 < alpha Ho ditolak ADA HUBUNGAN
ANTARA BERAT BADAN IBU SAAT HAMIL DENGAN BERAT
BADAN BAYI YANG DILAHIRKAN
 Nilai R = 0,684 menunjukkan hubungan KUAT dan berpola
POSITIF artiya semakin besar berat badan ibu saat hamil
maka berat bayi yang dilahirkan juga akan semakin besar
Konsep Dasar
Analisis regresi adalah analisis yg digunakan untuk mempelajari dan mengukur pengaruh
statistik yang terjadi antara dua atau lebih variabel

Analisis regresi Analisis regresi

sederhana berganda

1 variabel terikat (Y)

1 variabel bebas (X) >1 variabel bebas (X)

Konsep Dasar
 Regresi linier merupakan suatu model matematis yang dapat digunakan untuk
mengetahui atau menguji hubungan antara dua variabel atau lebih. Dimana variabel
Y sebagai variabel respons (terikat) dan variabel X sebagai variabel prediktor (be-
bas)
 Regresi linier sederhana (Simple Linier Regression) hanya ada satu variabel depen-
den (terikat) dan satu variabel independen (bebas)
 Variabel yang digunakan pada analisis ini yaitu variabel dependen numerik dan
variabel independen numerik
 Nilai-nilai penting yang dibaca pada regresi linear sederhana adalah koefisien de-
terminasi, persamaan garis, dan p value
Konsep Dasar
Koefisien determinasi (R²)

• Merupakan ukuran penting yang sering digunakan dalam analisis regresi atau biasa
disimbolkan dengan R² (R square)
• Digunakan untuk mengetahui seberapa besar variasi variabel dependen (Y) yang da-
pat dijelaskan oleh variabel independen (X) atau menunjukkan seberapa jauh variabel
independen dapat memprediksi variabel dependen
• Semakin besar nilai R square maka semakin baik atau semakin tepat variabel inde-
penden memprediksi variabel dependen
Persamaan Regresi Linear Sederhana

Y = βo + β1 X1 + Ԑ
atau
Y=a+bx+e
Variabel respon (terikat)
Nilai kesalahan (error)
pada pengamatan

Intersep atau konstanta Variabel bebas

Koefisien regresi
Langkah Analisis Regresi Linier Sederhana
Misal : Penelitian tentang hubungan berat badan ibu saat hamil
(kilogram) dengan berat badan bayi yang dilahirkan (kilogram)
Interpretasi hasil :
• Koefisien korelasi (R) adalah 0,684 yang artinya hubungan antara kedua variabel atau
hubungan antara berat badan ibu dan berat badan bayi adalah hubungan yang kuat
• Koefisien determinasi (R²) adalah 0,468 yang artinya persamaan garis regresi yang diper-
oleh dapat menerangkan 46,8% variasi berat badan bayi
atau bisa juga diartikan bahwa berat badan ibu memiliki pengaruh sebesar 46,8% terhadap
berat badan bayi dan 53,2% lainnya dipengaruhi oleh variabel lainnya
Interpretasi hasil :
• Melihat nilai signifikasi atau linieritas dari regresi pada tabel ANOVA, jika sig-
nifikansi <0,05 maka model regresi adalah linier, dan jika signifikansi >0,05
maka model regresi linier tidak memenuhi kriteria linieritas
• Pada tabel diatas diperoleh nilai signifikansi 0,0005 yang artinya model regresi
sederhana cocok (fit) dengan data yang ada persamaan garis regresi
Interpretasi hasil :
• Pada tabel di atas diperoleh p value adalah 0,0005 < 0,05 yang artinya hipotesis nol
ditolak, sehingga ada pengaruh berat badan ibu terhadap berat badan bayi
atau bisa diartikan bahwa ada hubungan linier antara berat badan ibu dengan berat
badan bayi
Persamaan Regresi yang didapat:
Y = a + bX + e
Berat badan bayi = 0,658 + 0,044 (berat badan ibu)

Dari persamaan tersebut dapat diartikan bahwa variabel berat badan bayi akan
bertambah sebesar 0,044 kilogram bila berat ibu bertambah setiap satu kilo-
gram
Memprediksi variabel dependen

Misalkan peneliti ingin mengetahui berat badan bayi jika diketahui berat badan
ibu sebesar 60kg, maka:

Berat badan bayi = 0,658 + 0,044 (berat badan ibu)

Berat badan bayi = 0,658 + 0,044 (60)
Berat badan bayi = 0,658 + 2,64
Berat badan bayi = 3,298

Jadi, kalau diketahui berat badan ibu saat hamil adalah 60 kilogram, maka
prediksi berat badan bayi yang dilahirkan adalah 3,298 kilogram