BAB I

PENDAHULUAN

A. LATAR BELAKANG

 Terdapat kejadian– kejadian , kegiatan- kegiatan, atau masalah- masalah yang

saling berhubungan satu sama lain
 Dibutuhkan analisis hubungan antara kejadian tersebut
 Perlu dibahas mengenai bentuk hubungan yang ada atau diperkirakan ada antara
kedua perubah tersebut

B. TUJUAN

 Menjelaskan definisi dari regresi dan korelasi

 Menentukan variabel-variabel yang terkait dalam hubungannya dengan regresi
dan korelasi linear sederhana
 Menentukan bentuk persamaan dari Regresi maupun korelasi sederhana
 Menentukan langkah-langkah dalam mencari nilai a dan b pada regresi linear
secara manual dan secara SPSS melalui data.

BAB II
PEMBAHASAN

Analisa regresi digunakan untuk mempelajari dan mengukur hubungan statistik

yang terjadi antara dua atau lebih varibel. Dalam regresi sederhana dikaji dua variabel,
sedangkan dalam regresi majemuk dikaji lebih dari dua variabel. Dalam analisa regresi
suatu persamaan regresi hendak ditentukan dan digunakan untuk menggambarkan pola
atau fungsi hubungan yang terdapat antar variabel. Variabel yang akan diestimasi
nilainya disebut variabel terikat (dependent variable atau response variable) dan
biasanya diplot pada sumbu tegak (sumbu-y). Sedangkan variabel bebas (independent
variable atau explanatory variable) adalah variabel yang diasumsikan memberikan
pengaruh terhadap variasi variabel terikat dan biasanya diplot pada sumbu datar (sumbu-
x). Analisa korelasi bertujuan untuk mengukur "seberapa kuat" atau "derajat kedekatan"
suatu relasi yang terjadi antar variabel. Analisa regresi ingin mengetahui pola relasi
dalam bentuk persamaan regresi, Analisa korelasi ingin mengetahui kekuatan hubungan
tersebut dalam koefisien korelasinya. Dengan demikian biasanya analisa regresi dan
korelasi sering dilakukan bersama-sama.
Dalam menentukan apakah terdapat suatu hubungan yang logis antar variabel,
terutama bila penilaian dilakukan terhadap angka-angka statistik saja, perlu diperhatikan
beberapa hal yang berkaitan dengan masuk akal atau tidaknya hubungan tersebut jika
ditinjau dari sifat dasar hubungan tersebut. Terdapat beberapa kemungkinan bentuk relasi
meliputi hubungan sebab akibat (cause-and-effect relationship), hubungan akibat
penyebab yang sama (common-cause factor relationship) hubungan semu (spurious
relationship).Langkah pertama dalam menganalisa relasi antar variabel adalah dengan
membuat diagram pencar (scatter diagram) yang menggambarkan titik-titik plot dari data
yang diperoleh. Diagram pencar ini berguna untuk membantu dalam melihat apakah ada
relasi yang berguna antar variabel, membantu dalam menentukan jenis persamaan yang
akan digunakan untuk menentukan hubungan tersebut.

Linier positif Linier negatif

 Curvelinier positif Curvelinier negatif

Curvelinier positif Curvelinier negatif

Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh
antara satu atau beberapa variabel terhadap satu buah variabel. Variabel yang
mempengaruhi sering disebut variabel bebas, variabel independen atau variabel penjelas.
Variabel yang dipengaruhi sering disebut dengan variabel terikat atau variabel dependen.
Secara umum regresi linear terdiri dari dua, yaitu regresi linear sederhana yaitu
dengan satu buah variabel bebas dan satu buah variabel terikat; dan regresi linear
berganda dengan beberapa variabel bebas dan satu buah variabel terikat. Analisis regresi
linear merupakan metode statistik yang paling jamak dipergunakan dalam penelitian-
penelitian sosial, terutama penelitian ekonomi. Program komputer yang paling banyak
digunakan adalah SPSS (Statistical Package For Service Solutions).

A. Regresi Linear Sederhana

Analisis regresi linier sederhana ialah suatu alat analisis dalam ilmu statistik yang
berguna untuk mengukur hubungan matematis antara 2 peubah.
Sebelum dapat melakukan analisis korelasi linier sederhana diperlukan syarat-
syarat atau asumsi sebagai berikut :

1. Terdapat hubungan logika antara peubah yang akan diregresikan

2. Skala peubah sekurang-kurangnya skala selang (interval)
3. Terdapat studi awal (penelitian, referensi, jurnal, pustaka, dll) yang menunjukan
indikasi hubungan antara 2 peubah yang akan diregresikan *
4. Terdapat hubungan sebab akibat antara 2 peubah yang akan diregresikan

Syarat nomor 3 di atas merupakan opsional, jika penelitian mengenai hubungan

antara peubah yang dikorelasikan belum pernah dilakukan sebelumnya. Hasil dari suatu
analisis regresi linier tidak lain adalah persamaan linier
Y = a + bX.
Y = disebut dengan peubah terikat atau peubah respons atau peubah akibat.
X = disebut dengan peubah bebas atau peubah faktor atau peubah sebab.
a dan b = disebut dengan parameter regresi dugaan atau statistik regresi

Statistik regresi dapat didapatkan dengan berbagai cara, diantaranya ialah dengan
menggunakan metode tangan bebas dan metode kuadrat terkecil.
Dengan menggunakan metode kuadrat terkecil maka nilai a dan b dapat langsung
dicari menggunakan rumus di bawah ini :
penurunan parsial terhadap a dan b yang sederhana diperoleh

Y  X i i
2
  X i  X i Yi
a  Y  bX  i i i i
2
da n
 
n X i2    X i 
i  i 
n X i Yi   X i  Yi
b i i i
2
 
n X    X i 
i
2

i  i 

y
ŷ  a  bx

y
y (0)
(+)
y
y
(-)
(+)

y
(0) y
(-)
y
(+)
y
y (-)
(+) y
(-)

Gambar 2 Garis regresi linier pada diagram pencar

Untuk mendapatkan nilai a dan nilai b maka digunakan rumus sebagai berikut :
CONTOH CARA PENGOPERASIAN REGRESI DENGAN SPSS
• Hasil pengolahan akan ditampilkan, seperti gambar-gambar di bawah ini:
Contoh 1
Dari suatu praktikum fisika dasar diperoleh data yang menghubungkan variabel
bebas x dan variabel terikat y seperti ditunjukkan dalam tabel berikut.
Uji ke- x y
1 6 30
2 9 49
3 3 18
4 8 42
5 7 39
6 5 25
7 8 41
8 10 52
 56 296

Jika berdasarkan kajian teoritis dan sifat dari fenomena yang menghubungkan x dan y dapat
diasumsikan mempunyai bentuk hubungan linier, maka persamaan garis regresinya dapat
ditentukan sebagai berikut.
Tabel perhitungan:
Uji ke- x y xy x2 y2
1 6 30 180 36 900
2 9 49 441 81 2401
3 3 18 54 9 324
4 8 42 336 64 1764
5 7 39 273 49 1521
6 5 25 125 25 625
7 8 41 328 64 1681
8 10 52 520 100 2704
 56 296 2257 428 12920

x
 x  56  7 y
 y  296  37
n 8 n 8
 Kolom y2 ditambahkan pada tabel meskipun belum digunakan untuk perhitungan persamaan
garis regresi. Nilai tersebut akan digunakan kemudian. Jadi dengan menggunakan hasil pada
tabel, nilai dari konstanta a dan b dapat ditentukan:
n   xy     x    y  8(2257)  (56)(296) 1480
b    5,1389
n  x   x
2 2
8(428)  (56)2 288

a  y  bx  37  (5,1389)(7)  1,0277
Jadi persamaan garis regresi linier yang menggambarkan hubungan antara variabel x dan y
dari data sampel pada percobaan/praktikum di atas adalah:
yˆ  a  bx  1,0277  5,1389 x
Dengan menggunakan persamaan garis regresi yang diperoleh, maka dapat diperkirakan hasil
yang akan diperoleh (nilai y) untuk suatu nilai x tertentu. Misalnya untuk x = 4 maka dapat
diperkirakan bahwa y akan bernilai:
yˆ  a  bx  1,0277  5,1389 x =1,0277 + 5,1389(4) = 21,583

60

50 y = 5.1389x + 1.0278

40

30
y

20

10

0
0 2 4 6 8 10 12

Gambar. Garis regresi untuk contoh soal 1

 PENGOLAHAN DATA REGRESI LINEAR DENGAN SPSS

Setelah mengolah data melalui spss hasilnya adalah sebagai berikut :

B. KORELASI

1. PENGERTIAN KORELASI

Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi / hubungan (measures of association). Pengukuran asosiasi
merupakan istilah umum yang mengacu pada sekelompok teknik dalam statistik bivariat
yang digunakan untuk mengukur kekuatan hubungan antara dua variabel. Diantara sekian
banyak teknik-teknik pengukuran asosiasi, terdapat dua teknik korelasi yang sangat
populer sampai sekarang, yaitu Korelasi Pearson Product Moment dan Korelasi Rank
Spearman. Selain kedua teknik tersebut, terdapat pula teknik-teknik korelasi lain, seperti
Kendal, Chi-Square, Phi Coefficient, Goodman-Kruskal, Somer, dan Wilson.
Pengukuran asosiasi mengenakan nilai numerik untuk mengetahui tingkatan
asosiasi atau kekuatan hubungan antara variabel. Dua variabel dikatakan berasosiasi jika
perilaku variabel yang satu mempengaruhi variabel yang lain. Jika tidak terjadi pengaruh,
maka kedua variabel tersebut disebut independen.
Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variabel (kadang
lebih dari dua variabel) dengan skala-skala tertentu, misalnya Pearson data harus berskala
interval atau rasio; Spearman dan Kendal menggunakan skala ordinal; Chi Square
menggunakan data nominal. Kuat lemah hubungan diukur diantara jarak (range) 0 sampai
dengan 1. Korelasi mempunyai kemungkinan pengujian hipotesis dua arah (two tailed).
Korelasi searah jika nilai koefesien korelasi diketemukan positif; sebaliknya jika nilai
koefesien korelasi negatif, korelasi disebut tidak searah. Yang dimaksud dengan
koefesien korelasi ialah suatu pengukuran statistik kovariasi atau asosiasi antara dua
variabel. Jika koefesien korelasi diketemukan tidak sama dengan nol (0), maka terdapat
ketergantungan antara dua variabel tersebut. Jika koefesien korelasi diketemukan +1.
maka hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear
sempurna dengan kemiringan (slope) positif.
Jika koefesien korelasi diketemukan -1. maka hubungan tersebut disebut sebagai
korelasi sempurna atau hubungan linear sempurna dengan kemiringan (slope) negatif.
Dalam korelasi sempurna tidak diperlukan lagi pengujian hipotesis, karena kedua
variabel mempunyai hubungan linear yang sempurna. Artinya variabel X mempengaruhi
variabel Y secara sempurna. Jika korelasi sama dengan nol (0), maka tidak terdapat
hubungan antara kedua variabel tersebut.
Dalam korelasi sebenarnya tidak dikenal istilah variabel bebas dan variabel
tergantung. Biasanya dalam penghitungan digunakan simbol X untuk variabel pertama
dan Y untuk variabel kedua. Dalam contoh hubungan antara variabel remunerasi dengan
kepuasan kerja, maka variabel remunerasi merupakan variabel X dan kepuasan kerja
merupakan variabel Y.

2. KEGUNAAN KORELASI

Pengukuran asosiasi berguna untuk mengukur kekuatan (strength) hubungan antar

dua variabel atau lebih. Contoh: mengukur hubungan antara variabel:
 Motivasi kerja dengan produktivitas
 Kualitas layanan dengan kepuasan pelanggan
 Tingkat inflasi dengan IHSG

Pengukuran ini hubungan antara dua variabel untuk masing-masing kasus akan
menghasilkan keputusan, diantaranya:
 Hubungan kedua variabel tidak ada
 Hubungan kedua variabel lemah
 Hubungan kedua variabel cukup kuat
  Hubungan kedua variabel kuat
 Hubungan kedua variabel sangat kuat

Penentuan tersebut didasarkan pada kriteria yang menyebutkan jika hubungan

mendekati 1, maka hubungan semakin kuat; sebaliknya jika hubungan mendekati 0, maka
hubungan semakin lemah.

3. TEORI KORELASI

Korelasi dan Kausalitas

Ada perbedaan mendasar antara korelasi dan kausalitas. Jika kedua variabel
dikatakan berkorelasi, maka kita tergoda untuk mengatakan bahwa variabel yang satu
mempengaruhi variabel yang lain atau dengan kata lain terdapat hubungan kausalitas.
Kenyataannya belum tentu. Hubungan kausalitas terjadi jika variabel X mempengaruhi
Y. Jika kedua variabel diperlakukan secara simetris (nilai pengukuran tetap sama
seandainya peranan variabel-variabel tersebut ditukar) maka meski kedua variabel
berkorelasi tidak dapat dikatakan mempunyai hubungan kausalitas. Dengan demikian,
jika terdapat dua variabel yang berkorelasi, tidak harus terdapat hubungan kausalitas.
Terdapat dictum yang mengatakan “correlation does not imply causation”.
Artinya korelasi tidak dapat digunakan secara valid untuk melihat adanya hubungan
kausalitas dalam variabel-variabel. Dalam korelasi aspek-aspek yang melandasi
terdapatnya hubungan antar variabel mungkin tidak diketahui atau tidak langsung. Oleh
karena itu dengan menetapkan korelasi dalam hubungannya dengan variabel-variabel
yang diteliti tidak akan memberikan persyaratan yang memadai untuk menetapkan
hubungan kausalitas kedalam variabel-variabel tersebut. Sekalipun demikian bukan
berarti bahwa korelasi tidak dapat digunakan sebagai indikasi adanya hubungan
kausalitas antar variabel. Korelasi dapat digunakan sebagai salah satu bukti adanya
kemungkinan terdapatnya hubungan kausalitas tetapi tidak dapat memberikan indikasi
hubungan kausalitas seperti apa jika memang itu terjadi dalam variabel-variabel yang
diteliti, misalnya model recursive, dimana X mempengaruhi Y atau non-recursive,
misalnya X mempengaruhi Y dan Y mempengaruhi X.
 Dengan untuk mengidentifikasi hubungan kausalitas tidak dapat begitu saja dilihat
dengan kaca mata korelasi tetapi sebaiknya menggunakan model-model yang lebih tepat,
misalnya regresi, analisis jalur atau structural equation model.
Korelasi dan Linieritas

Terdapat hubungan erat antara pengertian korelasi dan linieritas. Korelasi

Pearson, misalnya, menunjukkan adanya kekuatan hubungan linier dalam dua variabel.
Sekalipun demikian jika asumsi normalitas salah maka nilai korelasi tidak akan memadai
untuk membuktikan adanya hubungan linieritas. Linieritas artinya asumsi adanya
hubungan dalam bentuk garis lurus antara variabel. Linearitas antara dua variabel dapat
dinilai melalui observasi scatterplots bivariat. Jika kedua variabel berdistribusi normal
dan behubungan secara linier, maka scatterplot berbentuk oval; jika tidak berdistribusi
normal scatterplot tidak berbentuk oval.

Hubungan Linear Sempurna

10
9
8
7
Y 6
5
4
3
2
1
0

0 1 2 3 4 5 6 7 8 9 10
X

Dalam praktiknya kadang data yang digunakan akan menghasilkan korelasi tinggi
tetapi hubungan tidak linier; atau sebaliknya korelasi rendah tetapi hubungan linier.
Dengan demikian agar linieritas hubungan dipenuhi, maka data yang digunakan harus
mempunyai distribusi normal. Dengan kata lain, koefesien korelasi hanya merupakan
statistik ringkasan sehingga tidak dapat digunakan sebagai sarana untuk memeriksa data
secara individual.
Asumsi dasar korelasi diantaranya seperti tertera di bawah ini:
 Kedua variabel bersifat independen satu dengan lainnya, artinya masing-masing
variabel berdiri sendiri dan tidak tergantung satu dengan lainnya. Tidak ada istilah
variabel bebas dan variabel tergantung.
 Data untuk kedua variabel berdistribusi normal. Data yang mempunyai distribusi
normal artinya data yang distribusinya simetris sempurna. Jika digunakan bahasa
umum disebut berbentuk kurva bel. Menurut Johnston (2004) ciri-ciri data yang
mempunyai distribusi normal ialah sebagai berikut:
1.   Kurva frekuensi normal menunjukkan frekuensi tertinggi berada
di tengah-tengah, yaitu berada pada rata-rata (mean) nilai
distribusi dengan kurva sejajar dan tepat sama pada bagian sisi
kiri dan kanannya. Kesimpulannya, nilai yang paling sering
muncul dalam distribusi normal ialah rata-rata (average), dengan
setengahnya berada dibawah rata-rata dan setengahnya yang lain
berada di atas rata-rata.

2.    Kurva normal, sering juga disebut sebagai kurva bel, berbentuk

simetris sempurna.

3.    Karena dua bagian sisi dari tengah-tengah benar-benar simetris,

maka frekuensi nilai-nilai diatas rata-rata (mean) akan benar-
benar cocok dengan frekuensi nilai-nilai di bawah rata-rata.

4.  Frekuensi total semua nilai dalam populasi akan berada dalam

area dibawah kurva. Perlu diketahui bahwa area total dibawah
kurva mewakili kemungkinan munculnya karakteristik tersebut.

5.    Kurva normal dapat mempunyai bentuk yang berbeda-beda.

Yang menentukan bentuk-bentuk tersebut adalah nilai rata-rata
dan simpangan baku (standard deviation) populasi.

Karakteristik Korelasi
Korelasi mempunyai karakteristik-karakteristik diantaranya:
a. Kisaran Korelasi

Kisaran (range) korelasi mulai dari 0 sampai dengan 1. Korelasi dapat

positif dan dapat pula negatif.

b. Korelasi Sama Dengan Nol

Korelasi sama dengan 0 mempunyai arti tidak ada hubungan antara dua
variabel. Jika dilihat dari sebaran data, maka gambarnya akan seperti terlihat di
bawah ini:

Korelasi dimana r = 0

c. Korelasi Sama Dengan Satu

Korelasi sama dengan + 1 artinya kedua variabel mempunyai hubungan

linier sempurna (membentuk garis lurus) positif. Korelasi sempurna seperti ini
mempunyai makna jika nilai X naik, maka Y juga naik seperti pada gambar yang
tertera di bawah ini:
 Korelasi dimana r = + 1

Korelasi sama dengan -1 artinya kedua variabel mempunyai hubungan

linier sempurna (membentuk garis lurus) negatif. Korelasi sempurna seperti ini
mempunyai makna jika nilai X naik, maka Y turun (dan sebaliknya) seperti pada
gambar yang tertera di bawah ini:

Korelasi dimana r = - 1

MACAM KORELASI

Ada 2 macam korelasi yaitu korelasi sederhana dan korelasi parsial.

a. KORELASI LINEAR SEDERHANA

Korelasi merupakan angka yang menunjukkan arah dan kuatnya hubungan antar
dua variabel (atau lebih). Arah dinyatakan dalam bentuk hubungan positip (+)
atau negatip (-), sedangkan kuatnya hubungan dinyatakan dengan besarnya
koefisien korelasi.
 Hubungan dua variabel dinyatakan positip jika nilai suatu variabel ditingkatkan
maka akan meningkatkan nilai variabel lainnya, sebaliknya jika nilai variabel
tersebut diturunkan maka akan menurunkan nilai variabel yang lain. Sebagai
contoh adalah hubungan tinggi tanaman dengan produksi. Semakin tinggi jagung
maka berat tongkolnya akan semakin besar, sebaliknya semakin pendek tanaman
maka berat tongkol semakinkecil.
Hubungan dua variabel dinyatakan negatif jika nilai suatu variabel ditingkatkan
maka akan menurunkan nilai variabel lainnya, sebaliknya jika nilai variabel
tersebut diturunkan maka akan menaikkan nilai variabel yang lain. Sebagai
contoh adalah hubungan tingkat serangan hama dengan produksi. Semakin tinggi
tingkat serangan hama maka produksinya akan semakin kecil, sebaliknya semakin
kecil tingkat serangan hama maka produksinyasemakinbesar.

Kuatnya hubungan antar variabel dinyatakan dengan besarnya koefisien korelasi.

Koefisien korelasi memiliki rentang nilai antara -1 sampai 1. Jika hubungan
antara 2 variabel memiliki korelasi -1 atau 1 berarti kedua variabel tersebut
memiliki hubungan yang sempurna, sebaliknya jika hubungan antara 2 variabel
memiliki korelasi 0 berarti tidak ada hubungan antara kedua variabel tersebut.

Koefisien korelasi linier (Pearson product moment correlation coefficient) antara

dua variabel dapat dicari dengan persamaan berikut:

ga Sebagaimana yang telah dijelaskan di atas, analisis korelasi digunakan untuk

mengetahui tingkat keeratan dari hubungan dua variabel. Sedangkan angka yang
menunjukkan kuat tidaknya hubungan antara dua variabel disebut dengan koefisien
korelasi yang dinotasikan dengan “r” (khusus untuk korelasi sederhana). Nilai koefisien
korelasi adalah – 1 <= r <= 1. Jika r = – 1, maka antara dua variabel mempunyai
hubungan negatif “sangat” erat Jika r = 1, maka antara dua variabel mempunyai
hubungan positif “sangat” erat Jika r = 0, maka antara dua variabel tidak mempunyai
hubungan Jika r semakin mendekati angka – 1 atau 1, maka antara dua variabel
mempunyai hubungan yang kuat atau erat. Sedangkan jika r lebih mendekati ke angka 0,
maka antara dua variabel mempunyai hubungan yang tidak kuat atau tidak erat. Sebelum
dapat melakukan analisis korelasi linier sederhana diperlukan syarat-syarat atau asumsi
sebagai berikut :
1. Terdapat hubungan logika antara peubah yang akan dikorelasikan
2. Skala peubah sekurang-kurangnya skala selang (interval)
3. Terdapat studi awal (penelitian, referensi, jurnal, pustaka, dll) yang menunjukan
indikasi hubungan antara 2 peubah yang akan dikorelasikan *
Syarat nomor 3 di atas merupakan opsional, jika penelitian mengenai hubungan
antara peubah yang dikorelasikan belum pernah dilakukan sebelumnya.
Koefisien korelasi pearson ( r ) didapatkan dari rumus sebagai berikut :

badan
 Untuk melihat hubungan antara peubah x dan y secara grafik digunakan diagram
pencar (scatter diagram). Secara umum hubungan antara dua peubah dapat berupa bentuk
seperti gambar di bawah ini :

Gambar (1) :
menunjukan hubungan antara peubah X dan peubah Y kuat dan searah (positif), ditandai
oleh nilai r yang mendekati 1
Gambar (2) :
menunjukan hubungan antara peubah X dan peubah Y kuat dan berlawanan arah
(negatif), ditandai oleh nilai r yang mendekati -1
Gambar (3) :
menunjukan hubungan antara peubah X dan peubah Y yang lemah, ditandai oleh nilai r
yang mendekati 0
Gambar (4):
menunjukan hubungan antara peubah X dan peubah Y yang bukan linier, ditandai oleh
nilai r yang mendekati 1

Untuk nilai-nilai r antara 0 dan 1 dengan 0 dan -1 tidak ada patokan pasti yang
menentukan batas kekuatan hubungan antara 2 peubah. Namun demikian dapat
digunakan konvensi sebagai berikut :
Hubungan antara peubah X dan Y disebut kuat dan searah jika 0.75 ≤ r ≤ 1.
Hubungan antara peubah X dan Y disebut kuat dan berlawanan arah jika -1 ≤ r ≤ -0.75.
Hubungan antara peubah X dan Y disebut lemah jika -0.75 < r < 0.75.
 Jika r dikuadratkan maka akan didapatkan suatu nilai yang disebut dengan koefisien
determinasi. Koefisien determinasi menunjukkan seberapa besar pengaruh satu peubah
terhadap peubah lainnya.
Misal r2 = a maka artinya :
–>a x 100% keragaman dalam nilai-nilai Y dapat dijelaskan oleh hubungan liniernya
dengan X.
–>sumbangan peubah X terhadap naik turunnya Y ialah a x 100%

KOEFESIEN KORELASI

Koefesien korelasi ialah pengukuran statistik kovarian atau asosiasi antara dua
variabel. Besarnya koefesien korelasi berkisar antara +1 s/d -1. Koefesien korelasi
menunjukkan kekuatan (strength) hubungan linear dan arah hubungan dua variabel acak.
Jika koefesien korelasi positif, maka kedua variabel mempunyai hubungan searah.
Artinya jika nilai variabel X tinggi, maka nilai variabel Y akan tinggi pula. Sebaliknya,
jika koefesien korelasi negatif, maka kedua variabel mempunyai hubungan terbalik.
Artinya jika nilai variabel X tinggi, maka nilai variabel Y akan menjadi rendah (dan
sebaliknya). Untuk memudahkan melakukan interpretasi mengenai kekuatan hubungan
antara dua variabel kriteria sebagai berikut:
o 0 : Tidak ada korelasi antara dua variabel
o >0 – 0,25: Korelasi sangat lemah
o >0,25 – 0,5: Korelasi cukup
o >0,5 – 0,75: Korelasi kuat
o >0,75 – 0,99: Korelasi sangat kuat
o 1: Korelasi sempurna
mah
KOEFESIEN DETERMINASI
 Koefesien diterminasi dengan simbol r2 merupakan proporsi variabilitas dalam suatu
data yang dihitung didasarkan pada model statistik. Definisi berikutnya menyebutkan
bahwa r2 merupakan rasio variabilitas nilai-nilai yang dibuat model dengan variabilitas
nilai data asli. Secara umum r2 digunakan sebagai informasi mengenai kecocokan suatu
model. Dalam regresi r2 ini dijadikan sebagai pengukuran seberapa baik garis regresi
mendekati nilai data asli yang dibuat model. Jika r2 sama dengan 1, maka angka tersebut
menunjukkan garis regresi cocok dengan data secara sempurna.
Interpretasi lain ialah bahwa r2 diartikan sebagai proporsi variasi tanggapan yang
diterangkan oleh regresor (variabel bebas / X) dalam model. Dengan demikian, jika r 2 = 1
akan mempunyai arti bahwa model yang sesuai menerangkan semua variabilitas dalam
variabel Y. jika r2 = 0 akan mempunyai arti bahwa tidak ada hubungan antara regresor
(X) dengan variabel Y. Dalam kasus misalnya jika r 2 = 0,8 mempunyai arti bahwa sebesar
80% variasi dari variabel Y (variabel tergantung / response) dapat diterangkan dengan
variabel X (variabel bebas / explanatory); sedang sisanya 0,2 dipengaruhi oleh variabel-
variabel yang tidak diketahui atau variabilitas yang inheren. (Rumus untuk menghitung
koefesien determinasi (KD) adalah KD = r2 x 100%) Variabilitas mempunyai makna
penyebaran / distribusi seperangkat nilai-nilai tertentu. Dengan menggunakan bahasa
umum, pengaruh variabel X terhadap Y adalah sebesar 80%; sedang sisanya 20%
dipengaruhi oleh faktor lain.
Dalam hubungannya dengan korelasi, maka r2 merupakan kuadrat dari koefesien
korelasi yang berkaitan dengan variabel bebas (X) dan variabel Y (tergantung). Secara
umum dikatakan bahwa r2 merupakan kuadrat korelasi antara variabel yang digunakan
sebagai predictor (X) dan variabel yang memberikan response (Y). Dengan menggunakan
bahasa sederhana r2 merupakan koefesien korelasi yang dikuadratkan. Oleh karena itu,
penggunaan koefesien determinasi dalam korelasi tidak harus diinterpretasikan sebagai
besarnya pengaruh variabel X terhadap Y mengingat bahwa korelasi tidak sama dengan
kausalitas. Secara bebas dikatakan dua variabel mempunyai hubungan belum tentu
variabel satu mempengaruhi variabel lainnya. Lebih lanjut dalam konteks korelasi antara
dua variabel maka pengaruh variabel X terhadap Y tidak nampak. Kemungkinannya
hanya korelasi merupakan penanda awal bahwa variabel X mungkin berpengaruh
terhadap Y. Sedang bagaimana pengaruh itu terjadi dan ada atau tidak kita akan
mengalami kesulitan untuk membuktikannya. Hanya menggunakan angka r 2 kita tidak
akan dapat membuktikan bahwa variabel X mempengaruhi Y.
Dengan demikian jika kita menggunakan korelasi sebaiknya jangan menggunakan
koefesien determinasi untuk melihat pengaruh X terhadap Y karena korelasi hanya
menunjukkan adanya hubungan antara variabel X dan Y. Jika tujuan riset hanya untuk
mengukur hubungan maka sebaiknya berhenti saja di angka koefisien korelasi. Sedang
jika kita ingin mengukur besarnya pengaruh variabel X terhadap Y sebaiknya
menggunakan rumus lain, seperti regresi atau analisis jalur.

CARA KORELASI DENGAN SPSS

 Pada halaman DATA VIEW di SPSS, Ketikkan nilai-nilai Variabel X1, X2, dan
Y
 Pada kolom Name ketikkan simbol dari variabel (X1, X2, dan Y). Pada kolom
Label
 ketikkan nama variabel (Biaya Promosi, Biaya Distribusi, dan Volume Penjualan)

 Klik menu Analyze, Correllate, Bivariate

 Pindahkan Biaya Promosi [x1], Biaya Distribusi [x2], dan Volume Penjualan ke
kotak Variables. Lalu beri tanda centang pada kotak cek di samping Pearson , dan
disamping two tailed , lalu klik tombol OK
Contoh
 Data korelasi dengan pengerjaan manual:

Diketahui 2 peubah X dan Y sebagai berikut :

X 12 10 14 11 12 9
Y 18 17 23 19 20 15

Tentukan kekuatan hubungan antara kedua peubah di atas, dan tentukan pula besar
pengaruh satu peubah terhadap peubah lainnya.

Jawaban :
X Y X2 Y2 XY
12 18 144 324 216
10 17 100 289 170
14 23 196 529 322
11 19 121 361 209
12 20 144 400 240
9 15 81 225 135
68 112 786 2128 1292
r2 = 0,90
 Hubungan antara peubah X dan Y kuat dan positif

 90% keragaman dalam nilai-nilai Y dapat dijelaskan oleh hubungan liniernya

dengan X

 Dengan pengerjaan SPSS

Berdasarkan panduan penggunaan SPSS diatas didapatkan hasil sebagai berikut :

IoStatist
 BAB IV
KESIMPULAN

 Analisa regresi ingin mengetahui pola relasi dalam bentuk persamaan regresi,
Analisa korelasi ingin mengetahui kekuatan hubungan tersebut dalam koefisien
korelasinya.
 Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh
antara satu atau beberapa variabel terhadap satu buah variabel. Variabel yang
mempengaruhi sering disebut variabel bebas, variabel independen atau variabel
penjelas. Variabel yang dipengaruhi sering disebut dengan variabel terikat atau
variabel dependen.
 Hasil dari suatu analisis regresi linier tidak lain adalah persamaan linier
Y = a + bX.
 Nilai a dan b dapat langsung dicari menggunakan rumus
penurunan parsial terhadap a dan b yang sederhana diperoleh

Y  X i i
2
  X i  X i Yi
a  Y  bX  i i i i
2
da n
 
n X i2    X i 
i  i 
n X i Yi   X i  Yi
b i i i
2
 
n X    X i 
i
2

i  i 

 Dalam korelasi tidak dikenal istilah variabel bebas dan variabel tergantung.
Biasanya dalam penghitungan digunakan simbol X untuk variabel pertama
dan Y untuk variabel kedua.
 Kisaran (range) korelasi mulai dari 0 sampai dengan 1. Korelasi dapat positif
dan dapat pula negatif.
 Ada 2 macam korelasi yaitu korelasi sederhana dan korelasi parsial
  Koefisien korelasi pearson ( r ) didapatkan dari rumus sebagai berikut :

DAFTAR PUSTAKA

Harinaldi. 2005 . Prinsip-prinsip Statistik Untuk Teknik dan Sains . Jakarta : Erlangga.
Sudjana . 2005 . Metoda Statistika . Bandung : Tarsito.
Hamang, Abdul . 2005 . Metoda Statistika . Yogyakarta : Graha Ilmu.
http://www.ilmustatistik.com/wp-content/uploads/2008/11/korelasi-pearson.jpg di akses
tanggal 27 maret 2010 pada jam 11.00 WIB
http://www.sribd.com/korelasi-regresi.pdf diakses pada tanggal 25 maret 2010 pada jam
22.15 WIB
http://www.azuarjuliandi.com diakses pada tanggal 25 maret 2010 pada jam 22.15 WIB
http://www.jonathansarwono.info/regresi/regresi.htm di akses tanggal 27 maret 2010
pada jam 11.00 WIB