ANALISIS KORELASI DAN

REGRESI LINEAR
SEDERHANA
 PENTINGNYA ANALISIS
HUBUNGAN

Di dunia ini kita tidak dapat hidup sendiri,

tetapi memerlukan hubungan dengan orang
lain. Hubungan itu pada umumnya dilakukan
dengan maksud tertentu seperti mendapat
keringanan pajak, memperoleh kredit,
meminjam uang, serta minta
pertolongan/bantuan lainnya.
Seperti kita ketahui, pada semua kejadian,
baik kejadian ekonomi maupun lainnya,
pasti ada faktor yang menyebabkan
terjadinya kejadian-kejadian tersebut
(merosotnya hasil penjualan tekstil
mungkin disebabkan karena kalah bersaing
dengan tekstil impor, merosotnya produksi
padi mungkin karena pupuknya berkurang,
dan lain sebagainya)
 Uraian slide tadi menunjukkan adanya
hubungan(korelasi) antara kejadian yang satu
dengan kejadian lainnya. Kejadian itu dapat
dinyatakan dengan perubahan nilai variabel.
Hubungan antara dua kejadian dapat dinyatakan
dengan hubungan dua variabel.
Di dalam bab ini kita hanya membahas hubungan
linear antara dua variabel X dan Y.
Apabila dua variabel X dan Y mempunyai hubungan,
maka nilai variabel X yang sudah diketahui dapat
dipergunakan untuk memperkirakan/menaksir Y.
Peramalan pada dasarnya merupakan
perkiraan/taksiran mengenai terjadinya suatu
kejadian.
Variabel Y yang nilainya akan diramalkan disebut
varibel tidak bebas, sedangkan varibel X yang
nilainya dipergunakan untuk meramalkan nilai
Y disebut variabel bebas atau variabel peramal
dan seringkali disebut variabel yang
menerangkan. Jadi, jelas analisis korelasi ini
memungkinkan kita untuk mengetahui sesuatu
di luar hasil penyelidikan.
Salah satu cara untuk melakukan peramalan
adalah dengan menggunakan garis regresi.
KOEFISIEN KORELASI DAN
KEGUNAANNYA
Hubungan dua variabel ada yang positif dan
negatif. Hubungan X dan Y dikatakan positif
apabila kenaikan (penurunan) X pada
umumnya diikuti oleh kenaikan (penurunan)
Y. Sebalinya dikatakan negatif kalau
kenaikan (penurunan) X pada umumnya
diikuti oleh penurunan (kenaikan) Y.
 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
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Jadi, kalau variabel X dan Y ada hubungan, maka
bentuk diagram pencarnya adalah mulus/teratur.
Apabila bentuk diagram pencar tidak teratur, artinya
kenaikan/penurunan X pada umumnya tidak diikuti
oleh naik turunnya Y, maka dikatakan X dan Y tidak
berkorelasi.
Kuat dan tidaknya hubungan antara X dan Y apbila
dapat dinyatakan dengan fungsi linear(paling tidak
mendekati), diukur dengan suatu nilai yang disebut
koefisien korelasi. Nilai koefisien korelasi ini paling
sedikit –1 dan apling besar 1. Jadi jika
r = koefisien korelasi, maka r dapat dinyatakan
sebagai berikut :
-1 r  1
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.
Disini X dikatakan mempengaruhi Y, jika
berubahnya nilai X akan menyebabkan perubahan
nilai Y
Akan tetapi, naik turunnya Y adalah sedemikian rupa
sehingga nilai Y bervariasi, tidak semata-mata
disebabkan oleh X, karena masih ada faktor lain
yang menyebabkannya. Jadi untuk mengatahui
berapa besar kontribusi dari X terhadap naik
turunnya nilai Y maka harus dihitung dengan
koefisien penentuan.
Kalau koefisien penentuan ditulis KP, maka untuk menghitung KP
digunakan rumus berikut : KP = r 2.
Cara menghitung r 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
n 2  n  2 n 2  n  2
n  X i    X i   Yi    Yi 
   
i 1  i 1  i 1  i 1 
Kedua rumus diatas disebut koefisien korelasi Pearson
 KOEFISIEN KORELASI
DATA BERKELOMPOK
Rumus untuk menghitung koefisien korelasi
yang sudah dibahas sebelumnya adalah
untuk data yang tidak berkelompok (data
yang belum disajikan dalam bentuk tabel
frekuensi, dengan menggunakan kelas-
kelas atau katagori-katagori). Untuk data
yang berkelompok rumusnya adalah
sebagai berikut :
 n uvf    uf u vf v 
r
n  u f u    uf u  n  v f v    vf v 2
 2  2  2
   

Rumus untuk menghitung koefisen korelasi

bagi data berkelompok penting sekali sebab
dalam praktek, misalnya di dalam suatu
penelitian, hasil data yang diperoleh sudah
disajikan dalam bentuk data berkelompok
dengan interval kelas yang sama.
KORELASI RANK (PERINGKAT)
Koefisien korelasi rank adalah indeks angka-
angka yang dipakai untuk mengukur
keeratan(erat atau tidaknya) korelasi antara
dua variabel yang didasarkan atas ranking
(tingkatan). Koefisien korelasi rank
dirumuskan :
2
6 d i
r  1
 2 
n n  1
 
 Perhitungan koefisien korelasi dengan
menggunakan rumus korelasi rank
(spearman) jauh lebih sederhana
dibandingkan rumus product moment dari
pearson, sebab dengan menggunakan rank
angka-angkanya menjadi lebih kecil,
sedangkan hasil perhitungan adalah sama
atau sangat mendekati.
 KORELASI DATA
KUALITATIF
Korelasi data kualitatif digunakan untuk data kualitatif
yaitu data yang tidak berbentuk angka-angka,
tetapi berupa katagori-katagori.
Untuk data kualitatif yang dipergunakan dalam
mengukur kuatnya hubungan disebut Contingency
Coefficient (koefisien bersyarat) yang mempunyai
sama seperti koefisien korelasi.
Koefisien bersyarat (Cc), dipergunakan untuk
mengukur kuatnya hubungan data kualitatif
yang mempunyai arti seperti koefisien
korelasi, dimana nilai Cc sebesar nol, yang
berarti tidak ada hubungan. Akan tetapi,
batas atas Cc tidak sebesar satu, terantung
atau sebagai fungsi banyaknya katagori
(baris atau kolom). Batas tertinggi nilai Cc
r  1 / r
ialah , dimana nilai r ialah
banyaknya baris atau kolom. Kalau
banyaknya baris tidak sama dengan
banyaknya kolom, pilih nilai yang terkecil.
Adapun untuk menghitung nilai koefisien
bersyarat (Cc) digunakan rumus :

χ2
Cc 
χ2  n

p q p q p q
n    f ij   ni.   n. j    nij
i 1 j 1 i 1 j 1 i 1 j 1

p q
2   
f 
ij  e 
ij
2

i 1 j 1 eij
 ni. n. j 
eij 
n
Kalau nilai perbandingan Cc dengan batas
tertinggi < 0,5 maka hubungan lemah,
terletak antara 0,5 dan 0,75 maka
hubungan sedang/cukup, antara 0,75 dan
0,9 maka hubungan kuat, antara 0,9 dan 1
hubungan sangat kuat, sama dengan 1
maka hubungan sempurna.
TEKNIK RAMALAN DAN
ANALISIS REGRESI
Tujuan utama materi ini adalah
bagaimana menghitung suatu
perkiraan atau persamaan regresi
yang akan menjelaskan hubungan
antara dua variabel.
Diagram Pencar
Setelah ditetapkan bahwa terdapat hubungan
logis di antara variabel, maka untuk
mendukung analisis lebih jauh, barangkali
tahap selanjutnya adalah menggunakan
grafik. Grafik ini disebut diagram pencar,
yang menunjukkan titik-titik tertentu. Setiap
titik memperlihatkan suatu hasil yang kita
nilai sebagai varibel tak bebas maupun
bebas.
Diagram pencar ini memiliki 2 manfaat, yaitu :
membantu menunjukkan apakah terdapat
hubungan yang bermanfaat antara dua
variabel, dan membantu menetapkan tipe
persamaan yang menunjukkan hubungan
antara kedua variabel tersebut.
Persamaan Regresi Linear
Regresi merupakan suatu alat ukur yang juga
digunakan untuk mengukur ada atau
tidaknya korelasi antarvariabelnya.
Istilah regresi itu sendiri berarti ramalan atau
taksiran.
Persamaan yang digunakan untuk
mendapatkan garis regresi pada data
diagram pencar disebut persamaan regresi.
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
trend tidak dapat berakhir dengan
persamaan garis lurus. Garis regresi
(seperti garis trend dan nilai tengah
aritmatika) memiliki dua sifat matematis
berikut :
 (Y – Y’) = 0
dan (Y – Y’)2 = nilai terkecil atau terendah
Dengan perkataan lain, garis regresi akan
ditempatkan pada data dalam diagram
sedemikian rupa sehingga penyimpangan
(perbedaan) positif titik-titik terhadap titik-
titik pencar di atas garis akan mengimbangi
penyimpangan negatif titik-titik pencar yang
terletak di bawah garis, sehingga hasil
pinyimpangan keseluruhan titik-titik
terhadap garis lurus adalah nol.
Untuk tujuan diatas, perhitungan analisis
regresi dan analisis korelasi dapat
dipermudah dengan menggunakan rumus
dalam bentuk penyimpangan nilai tengah
variabel X dan Y, yaitu penyimpangan dari

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 :

 xi yi
b
2
 xi
n  X i Yi   X i  Yi
atau b 
2
n  X i   X i  2
a  Y  bX
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.