MAKALAH BIOSTATISTIK KASUS GIZI

“UJI KORELASI DAN REGRESI LINIER”

Pertemuan Ke-10

Disusun Oleh :
WAHYU ELIA RAMADANI
P0 51302150 40

Dosen Pembimbing :
Dr. Demsa Simbolon, SKM., MKM
Lisma Ningsih, SKM., MKM

POLTEKKES KEMENKS BENGKULU

PROGRAM STUDI DIV GIZI
TAHUN AJARAN 2017/2018
 KATA PENGANTAR

Dengan menyebut nama Allah SWT yang Maha Pengasih lagi Maha Penyayang,
Kami panjatkan puja dan puji syukur atas kehadirat-Nya, yang telah melimpahkan
Rahmat, hidayah, dan Inayah-Nya kepada kami, sehingga kami dapat menyelesaikan
tugas makalah Biostatistik Kasus Gizi ini dengan maksimal dan mendapatkan bantuan
dari berbagai pihak sehingga dapat memperlancar pembuatan makalah ini. Untuk itu
kami menyampaikan banyak terima kasih kepada semua pihak yang telah berkontribusi
dalam pembuatan makalah ini.
Terlepas dari semua itu, kami menyadari sepenuhnya bahwa masih ada
kekurangan baik dari segi susunan kalimat maupun tata bahasanya.Oleh karena itu
dengan tangan terbuka kami menerima segala saran dan kritik dari pembaca agar kami
dapat memperbaiki makalah ini.
Akhir kata kami berharap semoga makalah ini dapat memberikan manfaat
maupun inspirasi terhadap pembaca.

Bengkulu, Februari 2018

Penulis

i
 DAFTAR PUSTAKA

KATA PENGANTAR .................................................................................................... i

DAFTAR PUSTAKA .................................................................................................... ii
BAB I PENDAHULUAN ...............................................................................................1
1.1. Latar Belakang ..................................................................................................1
1.2. Rumusan Masalah .............................................................................................1
1.3. Tujuan ...............................................................................................................1
BAB II TINJAUAN PUSTAKA ....................................................................................2
2.1. Korelasi ..................................................................................................................2
A. Pengertian Korelasi ..............................................................................................2
B. Arah Korelasi ........................................................................................................3
C. Jenis Korelasi .....................................................................................................4
D. Macam-macam Korelasi.......................................................................................5
E.Analisis Korelasi....................................................................................................5
2.2. Regresi Linier .....................................................................................................18
A.Pengertian Regresi ...............................................................................................18
B. Macam-macam Regresi ......................................................................................19
DAFTAR PUSTAKA ...................................................................................................26

ii
 BAB I
PENDAHULUAN

1.1.Latar Belakang
Dalam materi Statistika, terdapat regresi dan korelasi yang digunakan untuk
mempelajari pola dan mengukur hubungan statistik antara dua atau lebih variabel.
Sepanjang sejarah umat manusia,orang melakukan penelitian tentang ada tidaknya
hubungan antara dua hal, fenomena, kejadian atau lainnya. Dan ada tidaknya
pengaruh antara satu kejadian dengan kejadian yang lainnya.Karena itu untuk
mempermudah dalam melakukan penghitungan suatu kejadian maka digunakan
korelasi dan regresi dalam ilmu statistika.
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik
pengukuran asosiasi/hubungan.Teknik ini berguna untuk mengukur kekuatan
hubungan antara dua variabel (kadang lebih dari dua variabel). Sedangkan regresi
merupakan salah satu analisis yang bertujuan untuk mengetahui pengaruh suatu
variabel terhadap variabel lain. Dalam analisis regresi, variabel yang mempengaruhi
disebut independent variabel (variable bebas) dan variabel yang dipengaruhi disebut
dependent variabel (variabel terikat).Terdapat dua macam regresi dan korelasi yaitu
regresi dan korelasi linear sederhana dan linear ganda.Perbedaannya terletak pada
jumlah variabel.Dalam regresi dan korelasi linear sederhana, terdapat satu variabel
bebas dan satu variabel terikat.Sedangkan pada regresi dan korelasi linear ganda,
terdapat lebih dari satu variabel. Maka dari itu, dalam makalah ini akan dibahas
tentang “Analisis Regresi dan Korelasi Linear Ganda.”

1.2.Rumusan Masalah
1.Apa pengertian uji korelasi dan regresi linear ?
2.Apa kegunaan uji korelasi dan regresi linear?
3. Bagaimana analisis uji korelasi dan regresi linear?

1.3.Tujuan
1.Untuk mengetahui konsep dari korelasi dan regresi linear.
2.Untuk mengetahui kegunaan dari korelasi dan regresi linear.
3.Untuk memahami langkah-langkah dalam analisis korelasi dan regresi linear

1
 BAB II
TINJAUAN PUSTAKA

2.1. Korelasi
A. Pengertian Korelasi
(Darwyan Syah: 91: 2007) Dalam kegiatan statistik khususnya statistik
inferensial, analisis korelasi merupakan hubungan antara dua variabel atau lebih,
yaitu antara variable bebas dan variable terikat.Hubungan korelasi terdiri atas dua
jenis yakni bivariate dan multivariate correlation.Bevariated correlation yaitu
analisis terhadap hubungan antara dua variable, satu varaiabel bebas dengan satu
variable terikat, sedangkan multivariate correlation yaitu analisis hubungan antara
lebih dua variable bebas.
Variabel yang dikorelasikan dalam analisis korelasional adalah hubungan
antara dua variable yang terdiri dependend variable terikat atau varaibel yang
dipengaruhi dan independend vriabel yang mempengaruhi atau disebut juga variable
bebas.
(Moh Hariadi: 132: 2009) Kata “ Korelasi” berasal dari bahasa inggris yaitu
“ Correlation” yang dalam bahasa Indonesia artinnya hubungan atau saling hubung
atau hubungan timbale balik. Dalam dunia statistik pendidikan korelasi adalah
hubungan antara dua variable atau lebih yang sifatnnya kuantitatif. Lambang yang
digunakan korelasi adalah rxy artinnya korelasi antara variable X dan variable Y.
Nilai korelasi berkisar antara 0 (nol) sampai dengan 1.00 artinya nilai korelasi paling
rendah adalah nol dan paling tinggi adalah 1.00.
(Husaini Usman: 197: 2006) Korelasi adalah istilah statistic yang
menyatakan derajat hubungan linear antara dua variable atau lebih, yang ditemukan
oleh Karl Pearson pada awal 1900 oleh itu terkenal dengan sebutan korelasi pearson
product moment (PPM) Korelasi adalah salah satu teknik analisis statistic yang
paling banyak digunakan oleh para peneliti, karena peneliti pada umumnya tertarik
terhadap peristiwa-peristiwa yang terjadi dan mencoba untuk menghubungkannya.
Misalnnya kita ingin menghubungkan antara tinggi badan dan berat badan, antara
umur dengan tekanan darahnya, antara motivasi dengan prestasi belajar atau bekerja
dan seterusnya.Hubungan antara dua variable didalam teknik korelasi bukanlah
dalam arti hubungan sebab akibat melainkan hanya hubungan searah saja.

2
B. Arah Korelasi
(Anas Sudijono: 180: 2009) Hubungan antara variable itu jika ditilik dari segi
arahnya, dapat dibedakan menjadi dua macam yaitu hubungan yang sifatnya satu
arah dan hubungan yang sifatnya berlawanan arah. Hubungan yang sifatnya searah
diberi nama korelasi positif, sedangkan yang berlawanan arah disebut korelasi
negative. Disebut korelasi positif, jika dua variable (atau lebih) yang berkolerasi
berjalan parallel, artinya bahwa hubungan antara dua variable (atau lebih) itu
menunjukan arah yang sama. Jadi apabila variable X mengalami kenaikan atau
pertambahan akan diikuti pula dengan kenaikan atau pertambahan, akan diikuti pula
dengan kenaikan atau pertambahan pada variable Y atau sebaliknya, penurunan dan
pengurangan pada variable X akan akan diikuti pula dengan penurunan dan
pengurangan pada variable Y.
Contoh: Makin meningkatnya kesadaran hokum dikalangan masyarakat
dikuti dengan makin menurunnya angka kejahatan atau angka pelanggaran. Makin
giatnya orang berlatih makin sedikit pula kesalahan yang diperbuat oleh seseorang,
makin meningkatnya jumlah aseptor keluarga berencana diikuti dengan makin
menurunnya angka kelahiran atau sebaliknya, dalam dunia pendidikan misalnya,
makin kurang dihayati dan diamalkannya ajaran agama islam oleh para remaja akan
diikuti oleh makin meningkatnya frekuensi kenakalan remaja atau sebaliknya.
Teknik korelasi merupakan teknik analisis yang melihat kecenderungan pola
dalam satu variabel berdasarkan kecenderungan pola dalam variabel yang lain.
Maksudnya, ketika satu variabel memiliki kecenderungan untuk naik maka kita
melihat kecenderungan dalam variabel yang lain apakah juga naik atau turun atau
tidak menentu. Jika kecenderungan dalam satu variabel selalu diikuti oleh
kecenderungan dalam variabel lain, kita dapat mengatakan bahwa kedua variabel ini
memiliki hubungan atau korelasi.
Jika data hasil pengamatan terdiri dari banyak variabel , ialah beberapa kuat
hubungan antara-antara variabel itu terjadi. Dalam kata-kata lain perlu ditentukan
derajat hubungan antara variabel-variabel. Studi yang membahas tentang derajat
hubungan antara variabel-variabel dikenal dengan nama korelasi. Ukuran yang
dipakai untuk mengetahui derajat hubungan, terutama untuk data kuantitatif
dinamakan koefisien korelasi.

3
C. Jenis Korelasi
Korelasi yang menyatakan tingkat hubungan variabel bebas dan variabel
terikat dapat dibedakan berdasarkan banyaknya variabel bebas yang mempengaruhi
nilai dari variabel terikat.
1. Korelasi Linier
Angka yang digunakan untuk menggambarkan derajat hubungan
ini disebut koefisien korelasi dengan lambang rxy.Teknik yang paling
sering digunakan untuk menghitung koefisien korelasi selama ini adalah
teknik Korelasi Product Momen Pearson.Teknik ini sebenarnya tidak
terbatas untuk menghitung koefisien korelasi dari variabel dengan skala
pengukuran interval saja, hanya saja interpretasi dari hasil hitungnya
harus dilakukan dengan hati-hati. Pemikiran utama korelasi product
momen adalah seperti ini:
 Jika kenaikan kuantitas dari suatu variabel diikuti dengan kenaikan
kuantitas dari variabel lain, maka dapat kita katakana kedua variabel
ini memiliki korelasi yang positif.
 Jika kenaikan kuantitas dari suatu variabel sama besar atau mendekati
besarnya kenaikan kuantitas dari suatu variabel lain dalam satuan SD,
maka korelasi kedua variabel akan mendekati 1.
 Jika kenaikan kuantitas dari suatu variabel diikuti dengan penurunan
kuantitas dari variabel lain, maka dapat kita katakana kedua variabel
ini memiliki korelasi yang negatif.
 Jika kenaikan kuantitas dari suatu variabel sama besar atau mendekati
besarnya penurunan kuantitas dari variabel lain dalam satuan SD,
maka korelasi kedua variabel akan mendekati -1.
 Jika kenaikan kuantitas dari suatu variabel diikuti oleh kenaikan dan
penurunan kuantitas secara random dari variabel lain atau jika
kenaikan suatu variabel tidak diikuti oleh kenaikan atau penurunan
kuantitas variabel lain (nilai dari variabel lain stabil), maka dapat
dikatakan kedua variabel itu tidak berkorelasi atau memiliki korelasi
yang mendekati nol.
Koefisien korelasi antara dua peubah sehingga nilai r = 0 berimplikasi
tidak ada hubungan linear, bukan bahwa antara peubah itu pasti tidak terdapat
hubungan.Ukuran korelasi linear antara dua peubah yang paling banyak

4
 digunakan adalah koefisien karelasi momen-hasilkali pearson atau ringkasnya
koefisien korelasi.
D. Macam-macam Korelasi
1. Korelasi positip : Korelasi positif adalah tingkat hubungan antara dua variabel
yang mempunyai ciri, bahwa perubahan variabel independent x (variabel bebas x)
diikuti oleh perubahan variable dependent y (variabel tidak bebas y) secara
“searah.”.
2. Korelasi negatip: Korelasi negatif adalah tingkat hubungan antara dua variabel
yang mempunyai ciri, bahwa perubahan variabel independent x (variabel bebas x)
diikuti oleh perubahan variabel dependent y (variabel tidak bebas y) secara
“Berlawanan”.
3. Korelasi sederhana (simple corelation) : Adalah tingkat hubungan yang terjadi
antara 2 (dua) variabel saja.
4. Korelasi Multiple (Multiple Corelation) : Yaitu tingkat hubungan yang tejadi
antara 2 (dua) variable atau lebih. Misalkan pada model regrsi linier multiple ( y
= a0 + a1x1 + a2x2 + e ), maka maksud dan pengertian dari pernyataan di atas
adalah: Tingkat hubungan antara y dengan x1 atau tingkat hubungan antara y
dengan x2 atau tingkat hubungan antara x1 dan x2.
5. Korelasi sempurna (perfect corelation) : Maksud dan pengertian dari Korelasi
sempurna antara 2 variabel, yaitu suatu kondisi bahwa setiap nilai variabel bebas
x akan terdapat pada setiap nilai variabel tidak bebas y nya. Hal ini dapat
diartikan pula, bahwa garis regresi yang terbentuk dari data yang tersebar
(terdistribusi) adalah merupakan tempat kedudukan dari data – data dimaksud,
sehingga nilai r nya =1 atau r = -1
6. Korelasi Tidak Sempurna (Imperfect Corelation) : Korelasi antara 2 (dua)
variabel dikatakan tidak sempurna, jika titik–titik yang tersebar tidak terdistribusi
tepat pada satu garis lurus.
7. Korelasi yang mustahil (nonsense corelation): Korelasi antara dua variabel yang
seolah-olah ada tetapi tidak ada.

E.Analisis Korelasi
Analisis korelasi dapat digunakan untuk mengadakan uraian tentang derajat
hubungan linier antara satu variabel dengan variabel lain.
Korelasi memang sering digunakan bersama dengan regresi untuk
menjelaskan variasi variabel dependen Y, tetapi korelasi sendiri dapat digunakan
5
 untuk mengukur derajat hubungan antara dua variabel melalui koefisien
korelasidan koefisien determinasi
1. Koefisien korelasi Pearson
Korelasi pearson-product moment digunakan untuk menguji
hubungan antara dua variabel dengan skala data interval atau rasio dengan
interval atau rasio. Formulanya adalah :
𝑵 ∑ 𝑿.𝒀 − ∑ 𝑿.∑ 𝒀
r=
√{𝑵 ∑ 𝑿𝟐 –(∑ 𝑿)𝟐 } {𝑵 ∑ 𝒀𝟐 –(∑ 𝒀)𝟐 }

dimana:X sebagai data-data dari variabel independent /variabel bebas

Y sebagai data-data dari variabel dependen/variabel terikat.

Untuk dapat memberikan penafsiran terhadap koefisien korelasi yang

ditemukan besar atau kecil, maka dapat berpedoman pada ketentuan yang tertentu
pada tabel berikut :

Interval koefisien Tingkat hubungan

0,000=0.199 Sangat rendah

0,200- 0,399 Rendah

0,400-0,599 Sedang

0,600-0,799 Kuat

0,800-1,000 Sangat kuat

Sebagai contoh adalah: sebuah penelitian untuk mengetahui apakah ada

hubungan antara Hb'ibu hamil dengan berat badan bayi lahirnya. Variabel
independent adalah Hb ibu hamil dengan skala data interval dan variabel
dependen adalah berat badan bayi lahir dengan skala data interval.Peneliti
mengumpulkan data sebanyak 20 responden, melalui catatan medik di salah satu
rumah sakit di Jogjakarta.Hasil pengumpulan data kemudian di masukkan pada tabel
berikut ini.
No Hb BBL No Hb BBL
1 11.2 2500 11 10.7 2700
2 11.3 2450 12 10.1 2560
3 11.5 2500 13 10.3 2600
4 10.6 2450 14 11.9 2700
5 10.7 2470 15 12.1 3200

6
 6 10.5 2490 16 12.2 3400
7 11.6 2510 17 11.9 3000
8 11.7 2570 18 12.5 3200
9 11.3 2600 19 12.3 3400
10 11.4 3000 20 12.4 3400
Dari data tersebut maka kita akan membuat tabel Bantu dalam
mengerjakan formula pearson product-moment, dimana X dan Y telah diketahui
sehingga dapat dicari SX, SY, SX.Y, SX2, SY2, (SX)2, (SY)2, untuk memudahkan
mencarinya maka perlu dibuat tabel Bantu seperti berikut:
No X Y X2. Y* X.Y
1 11.2 2500 125.44 ' 6250000 28000
2 11.3 2450 127.69 6002500 27685
3 11.5 2500 132.25 ' 6250000. 28750
4 10.6 2450 112.36 . 6002500 25970
5 10.7 2470 114.49 • 6100900 26429
6 10.5 2490 110.25 6200100 26145
7 11.6 2510 134.56 6300100 29116
8 11.7 2570 136.89 6604900 30069
9 11.3 2600 127.69 ' 6760000 29380
10 11.4 3000 129.96 9000000 34200
11 10.7 2700 114.49 7290000 28890
12 10.1 2560 102.01 6553600 25856
13 10.3 2600 106.09 6760000 26780
14 11.9 2700 141.61 7290000 32130
15 12.1 3200 146.41 10240000 38720
16 12.2 3400 148.84 11560000 41480
17 11.9 3000 141.6i 9000000 35700
18 12.5 3200 156.25 10240000 40000
19 12.3 3400 151.29 11560000 41820
20 12.4 3400 ' 153.76 11560000 42160
∑ 𝑋= 228,2 ∑ 𝑌= 55700 ∑ 𝑋2= ∑ 𝑌2= ∑ 𝑋. 𝑌= 639280
2613.94 157524600
(∑ 𝑋)2 = (∑ 𝑌)2=
52075.24 3102490000

7
 :Dari tabel tersebut maka kita masukkan ke dalam rumus koefisien korelasi,
𝑵 ∑ 𝑿.𝒀 − ∑ 𝑿.∑ 𝒀
r=
√{𝑵 ∑ 𝑿𝟐 –(∑ 𝑿)𝟐 } {𝑵 ∑ 𝒀𝟐 –(∑ 𝒀)𝟐 }

(20 ×63980)− (228,2 ×55700)

=
√20×2613,94−52075,24} {20×157524600−3102490000
12785600−12710740
= = 0,753
√{203,56}{48002000}

Interpretasi nya : bahwa terdapat hubungan yang kuat antara Hb ibu hamil
dengan berat badan lahir bayi nya.

Uji Korelasi menggunakan spss

PEARSON CORRELATION

Digunakan untuk data interval & rasio Distribusi data normal Terdiri dari
dua variabel 1 Variabel X (Independen) 1 Variabel Y (dependen)

CONTOH

Judul: Hubungan antara intensitas belajar dengan prestasi mata kuliah statistik

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 Intenitas belajar dengan prestasi mata kuliah statistik
Ha: Ada hubungan antara Intenitas belajar dengan prestasi mata kuliah statistik

INPUT DATA KE SPSS

Input Data ke SPSS

SPSS

Ada dua view dalam SPSS

8
a. Data View : digunakan untuk memasukkan data yang akan dianalisis
b. Variabel View : digunakan untuk memberi nama variabel dan pemberian koding.

UJI NORMALITAS

Uji Normalitas SPSS

Normalitas Plot SPSS

INTERPRESTASI NORMALITAS

9
TAHAP ANALISIS

10
 INTERPRESTASI

Untuk pengambilan keputusan statistik, dapat digunakan 2 cara:

1. Koefisien Korelasi dibandingkan dengan nilai r tabel (korelasi tabel)

 Apabila Koefisien Korelasi > r tabel, Maka ada hubungan yang signifikan (Ha
Diterima),
 Apabila Koefisien Korelasi < r tabel, Maka tidak ada hubungan yang
signifikan (H0 Diterima).

2. Melihat Sig.

 Apabila nilai Sig. < 0,05 Maka ada hubungan yang signifikan (Ha Diterima
 Apabila nilai Sig. > 0,05 Maka tidak ada hubungan yang signifikan (H0
Diterima)

Arah hubungan:

Dilihat dari tanda koefisien:

Tanda (-) berarti apabila variabel X tinggi maka variabel Y rendah

Tanda (+) berarti apabila variabel X tinggi maka variabel Y juga tinggi

SPEARMAN

a. Digunakan untuk jenis data ordinal

b. Cara analisis dan interpretasi sama dengan Pearson.
c. Perbedaan hanya pada waktu memilih box yang diaktifkan adalah box
spearman.

11
 KORELASI PARTIAL

Korelasi yang digunakan untuk menguji hubungan dua atau lebih variabel independen
dengan satu variabel dependen dan dilakukan pengendalian pada salah satu variabel
independennya

CONTOH

Judul: Hubungan antara biaya promosi dan penjualan dengan mengendalikan jumlah outlet

Variabel X1: Biaya Promosi

Variabel X2: Jumlah outlet (dikendalikan)

Variabel Y: Penjualan

Hipotesa:

H0: Tidak ada hubungan antara biaya promosi dengan penjualan apabila jumlah outlet
dikendalikan
Ha: Ada hubungan antara biaya promosi dengan penjualan apabila jumlah outlet dikendalikan

CONTOH

Buka data : Korelasi ganda dan partial.sav Data

ANALISIS

KORELASI PARTIAL

12
 OUTPUT PARTIAL

KORELASI GANDA

Koefisien yang digunakan untuk menguji hubungan dua atau lebih variabel
independen dengan satu variabel dependen secara bersamaan.

CONTOH

Judul: Hubungan antara biaya promosi dan jumlah outlet dengan penjualan

Variabel X1: Biaya Promosi

Variabel X2: Jumlah outlet

Variabel Y: Penjualan

Hipotesa:

H0: Tidak ada hubungan antara biaya promosi dan jumlah outlet dengan penjualan
Ha: Ada hubungan antara biaya promosi dan jumlah outlet dengan penjualan

CONTOH

Buka data : Korelasi ganda dan partial.sav Data

KORELASI GANDA

13
 INTERPRESTASI KORELASI GANDA

a. Untuk menginterprestasi korelatif ganda lihat nilai R, semakin mendekati 1 maka

hubungan semakin kuat
b. Guna memperkaya analisis, sebelum dianalisis korelasi ganda dapat juga ditambahkan
analisis korelasi pada masing-masing variabel independen dengan variabel dependen
(caranya sama dengan analisis korelasi pearson).

REGRESI

a. Analisis regresi adalah analisis lanjutan dari korelasi

b. Menguji sejauh mana pengaruh variabel independen terhadap variabel dependen
setelah diketahui ada hubungan antara variabel tersebut
c. Data harus interval/rasio
d. Data Berdistribusi normal.

Yang akan dibahas dalam pelatihan ini adalah:

a. Regresi sederhana: yaitu regresi untuk 1 variabel independen dengan 1 variabel dependen
b. Regresi ganda: yaitu regresi untuk lebih dari satu variabel independen dengan 1 variabel
dependen.

REGRESI SEDERHANA

Buka data : Pearson.sav Data

14
 INTERPRETASI REGRESI SEDERHANA

Output 1

Lihat nilai R = 0,843 ini berarti bahwa kekuatan hubungan antara variabel X dengan Y adalah
0,843

INTERPRETASI REGRESI SEDERHANA

OTPUT 2

 Untuk melihat signifikansi persamaan regresi dapat dilihat dari nilai F = 81,329 dan
dibandingkan dengan F tabel
 Apabila nilai F < F tabelmaka persamaan garis regresi tidak dapat digunakan untuk
prediksi
 Apabila nilai F > F tabelmaka persamaan garis regresi dapat digunakan untuk prediksi

15
  Selain itu dapat pula dengan melihat nilai Sig. dapat digunakan untuk prediksi
apabila nilai Sig. < 0,05

INTERPRETASI REGRESI SEDERHANA

OUTPUT 3

 Untuk membuat persamaan garis regresi dapat dilihat dari kolom B.

 Constan = 38,481 dan intensitas belajar= 2,978
 Berarti persamaan garisnya adalah: Y=38,481 + 2,978 X.

REGRESI BERGANDA

 Digunakan untuk analisis regresi dengan jumlah variabel independen lebih dari satu
dengan satu variabel dependen
 Ada tambahan asumsi yang harus dipenuhi, yaitu tidak boleh ada hubungan antar
variabel-variabel independennya (uji multikolinearitas).

CONTOH

Buka data : Korelasi ganda dan partial.sav

16
INTERPRETASI REGRESI GANDA

Output 1

Lihat nilai R = 0,976 ini berarti bahwa kekuatan hubungan antara variabel X1dan X2 secara
bersamaan dengan Y adalah 0,976.

INTERPRETASI REGRESI GANDA

Output 2

Untuk melihat signifikansi persamaan regresi dapat dilihat dari nilai F = 118,294 dan
dibandingkan dengan Tabel F: F Tabel dalam Excel

17
  Apabila nilai F < F tabelmaka persamaan garis regresi tidak dapat digunakan untuk
prediksi
 Apabila nilai F > F tabelmaka persamaan garis regresi dapat digunakan untuk prediksi
 Selain itu dapat pula dengan melihat nilai Sig. dapat digunakan untuk prediksi
apabila nilai Sig. < 0,05

INTERPRETASI REGRESI GANDA

Output 3

Untuk membuat persamaan garis regresi dapat dilihat dari kolom B.

 Constan = 64,639
 Biaya promosi= 2,342
 Jumlah Outlet= 0,535
 Berarti persamaan garisnya adalah: Y=64,639 + 2,342 biaya promosi + 0,535 Jumlah
Outlet

INTERPRETASI REGRESI GANDA

Output 4

Identifikasi kolinieritas dapat dilakukan dengan melihat:

 Output 3, Kolom VIF. : terjadi kolinearitas apabila nilai VIF > 5

 Output 4, Kolom eugenvalue: terjadi kolinearitas apabila nilai eugenvalue mendekati
0
 Output 4, Kolom condition index: terjadi kolinearitas apabila nilai condition index >
15. Dikatakan parah apabila > 30

2.2.Regresi Linier
A.Pengertian Regresi
Analisis regresi merupakan metode statistika yang amat banyak digunakan dalam
peneltian.Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton pada tahun

18
 1886.Galton menemukan adanya hubungan bahwa orang tua yang memeliki tubuh tinggi
memiliki anak-anak yang tinggi pula, orang tua yang pendek memiliki anak-anak yang
pendek pula. Kendati demikian ia mengamati bahwa adanya kecenderungan tinggi anak,
cenderung bergerak menuju rata-rata tinggi populasi secara menyeluruh. Dengan kata
lain, ketinggian anak yang amat tinggi atau orang tua yang amat pendek cenderung
bergerak kearah tinggi populasi.
Secara umum regresi adalah studi mengenai ketergantungan satu variabel (variabel
tak bebas/ variabel respon) dengan satu atau lebih variabel bebas/ variabel penjelas.Hasil
dari analisi regresi merupakan suatu persamaan, yaitu persamaan matematika.Persamaan
tersebut digunakan sebagai prediksi.Dengan demikian analisis regresi sering disebut
dengan analisis prediksi.Karena merupakan prediksi, maka nilai prediksi tidak selalu tepat
dengan nilai realnya, semakin kecil tingkat penyimpangannya antar prediksi dengan nilai
riilnya, maka semakin tepat persamaan regresi yang dibentuk.
Persamaan regresi adalah suatu persamaan matematika yang mendefinisikan
hubungan antara dua variabel yaitu hubungan keterkaitan antara satu atau beberapa
variabel yang nilainya sudah diketahui dengan satu variabel yang nilainya belum
diketahui, sifat hubungan antara dalam persamaan meruoakan hubungan sebab
akibat.Oleh karena itu, sebelum menggunakan persamaan regresi dalam menjelaskan
hubungan antara dua atau lebih variabel, perlu diyakini terlebih dahulu bahwa secara
teoritis atau perkiraan sebelumnya, bahwa variabel-variabel tersebut memiliki hubungan
sebab akibat. Variabel yang nilainya akan mempengaruhi variabel tersebut disebut
variabel bebas (X). sedangkan variabel yang nilainya dipengaruhi oleh variabel lain
adalah variabel tergantung (Y).
Analisis regresi dikelompokkan menjadi dua bagian yaitu analisis regresi
sederhana (analisis regresi tunggal) dan analisis regresi ganda. Regresi sederhana
dimaksudkan untuk menganalisis hubungan antara satu variabel bebas (X) dengan satu
variabel terikat (Y). Regresi berganda digunakan untuk analisis hubungan dua atau lebih
variabel bebas (misalnya X1 dan X2) dengan satu variabel terikat (Y).

B. Macam-macam Regresi
1. Regresi Linier Sederhana
Sebagaimana diketahui, banyaknya kejadian didunia ini yang merupakan
kejadian yang saling menyebabkan. Kejadian yang saling menyebabkan adalah suatu
kejadian yang keterjadiannya akan menyebabkan keterjadian kejadian yang lain. Contoh

19
 yang kongkrit adalah penggunaan metode belajar think pair share meningkatkan hasil
belajar siswa.
Untuk mencari suatu pengaruh variabel terhadap variabel lain, alat analisis yang
kita gunakan adalah analisis regresi. Hasil analisis regresi berupa persamaan regresi yang
merupakan fungsi prediksi suatu variabel dengan menggunakan variabel lain.
Model regresi linier sederhana merupakan persamaan yang menyatakan
hubungan antara satu variabel predictor (X) dan satu variabel respon (Y), yang biasanya
digambarkan dalam suatu garis lurus.

Persamaan regresi linier sederhana : Yˆ  a  bX

Keterangan: Yˆ  regresi (dibaca Y topi)
a = konstanta
b = koefisien regresi
Y = Variabel dependen/ variabel terikat/ variabel tak bebas (kejadian)
X = Variabel independen/ variabel bebas/ variabel predictor (penyebab)
Koefisien-koefisen regresi dapat dihitung dengan rumus:
( Yi )(  X i )  ( X i )(  X i Yi )
2

a
n X i  ( X i ) 2
2

n( X iYi ) ( X i )( Yi )

b
n X i  ( X i ) 2
2

A. Langkah-langkah Melakukan Analisis Regresi Sederhana

Langkah langkah yang ditempuh dalam melakukan analisis regresi sederhana adalah:
1. Membuat Tabel Belanja Statistik

2. Menghitung Jumlah Kuadrat (JK) dan Jumlah Produk (JP) dan Korelasi

3. Mencari Persamaan Garis Regresi

4. Mencari f Regresi dan Menguji Taraf Signifikansi

Untuk contoh akan dibahas tentang hubungan penguasaan Dasar

Manajemen dengan Keterampilan Manajerial.

X = Dasar Manajemen

20
 Y = Keterampilan Manajerial
Data disajikan sebagai Berikut:

Penguasaan Dasar -
dasar Manajemen 72 78 69 80 75 75 86 69 77 69 65 70
(Xi)
Keterampilan
70 88 97 82 79 95 90 88 92 96 78 84
Manajerial (Yi)
Penyelesaian :

No Xi Yi Xi² Yi² XiYi

1 72 70 5,184 4,900 5,040
2 78 88 6,084 7,744 6,864
3 69 97 4,761 9,409 6,693
4 80 82 6,400 6,724 6,560
5 75 79 5,625 6,241 5,925
6 75 95 5,625 9,025 7,125
7 86 90 7,396 8,100 7,740
8 69 88 4,761 7,744 6,072
9 77 92 5,929 8,464 7,084
10 69 96 4,761 9,216 6,624
11 65 78 4,225 6,084 5,070
12 70 84 4,900 7,056 5,880
Jumlah (∑) 885 1,039 65,651 90,707 76,677

B. Membuat tabel belanja statistik

n 12
∑Xi 885
∑Xi² 65,651 ∑x² = 382,25

∑Yi 1,039
∑Yi² 90,707 ∑y² = 746,91 a = 76,7918
b = 0,1327
∑XiYi 76,677 ∑xy = 50,75 r = 0,0949

a. Mencari JK (Jumlah Kuadrat) dan JP (Jumlah Produk) dan Korelasi

Jumlah Kuadrat (JK):
21
 (885) 2 ( X i ) 2 783.225
JKx   x 2   X i   65.651   65.651 
 382,25
2

n 12 12
( Yi ) 2 (1.039) 2 1.079.521
JKy   y   Yi   90.707   90.707   746,91
2 2

n 12 12
b. Jumlah Produk (JP):
( X i )( Yi ) (885)(1.039) 919.515
JPxy   xy  X i Yi   76.677   76.677   50,75
n 12 12
c. Korelasi:

r
 xy 
50,75

50,75

50,75
 0,0949
( x )( y
2 2
) (382,25)(746,91) 285.506,34 534,3279

d. Mencari Persamaan Garis Regresi

( Yi )(  X i )  ( X i )(  X i Yi )
2
(1.039)(65.651)  (885)(76.677)
a 
n X i  ( X i ) (12)(65.651)  (885) 2
2 2

(68.211.389)  (67.859.145) 352.244

a   76,79
(787.812)  (783.225) 4.587

n( X i Yi ) ( X i )( Yi ) (12)(76.677)  (885)(1.039)

b 
n  X i  ( X i ) 2 (12)(65.651)  (885) 2
2

(920.124)  (919.515) 609

b   0,13
(787.812)  (783.225) 4.587

Persamaan garis regresinya adalah: Yˆ = a + bX

Yˆ = 76,79 + 0,13 X

e. Mencari F Regresi dan Menguji Taraf Signifikansi

Y  90.707
2
JK (total) = i

( Yi ) 2 (1.039) 2 1.079.521
JK (a) =    89.960,083
n 12 12

  X i  Yi   (885)(1.039) 
JK regresi  b X i Yi    0,1376.677    0,13(50,75)  6,7379

 n 
  12 
JK residu = JK (total) –JK (a) – JK regresi
= 90.707 – 89.960,083 – 6,7379
= 740,1791
dk regresi = m = 1
dk residu = n – m – 1 = 12 – 1 – 1 = 10

22
 JK regresi 6,73
RJK regresi    6,73
dkregresi 1

JK residu 740,17
RJK residu    74,01
dkresidu 10
Hipotesis diuji dengan uji F :
RJK regresi 6,73
F   0,09
RJK residu 74,01
dk pembilang 1 dan dk penyebut 10 maka F tabel (1,10) pada p = 0,05 atau
F(1,10)(0,05) = 4,96
Berdasarkan data tersebut dapat disusun tabel rangkuman analisis regresi
untuk persamaan garis Yˆ  76,79  0,13 X sebagai berikut :

F tabel
Sumber Variasi dk JK RJK F hitung
p = 0,05
Regresi 1 6.73 6.7 0,09 4,96
Residu 10 740.17 74.01 - -
Total 11 746.9 - - -
Hipotesis:
Ho = Koefisien arah regresi tidak berarti
Ha = Koefisien arah regresi berarti
Dari hasil perhitungan ternyata Fh (0,09) < Ft (4,96)
Hasil pengujian :Ho diterima
Kesimpulan :Tidak terdapat hubungan yang signifikan antara Penguasaan Dasar-
dasar Manajemen dengan Keterampilan Manajerial pada taraf signifikansi 5 persen.
Contoh Regresi linier sederhana menggunakan SPSS

analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi dan
persyaratan yang perlu diperiksa dan diuji, beberapa diantaranya adalah :

1. Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai disturbance
termsebesar 0 atau dengan simbol sebagai berikut: E (U / X) = 0,
2. Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak
ada hubungan linier yang nyata,
3. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05,
Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui
jika angka Standard Error of Estimate < Standard Deviation,
4. Koefisien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien
regresi signifikan jika T hitung > T table (nilai kritis),

23
 5. Model regresi dapat diterangkan dengan menggunakan nilai koefisien determinasi
(KD = R Square x 100%) semakin besar nilai tersebut maka model semakin baik. Jika
nilai mendekati 1 maka model regresi semakin baik,
6. Residual harus berdistribusi normal,
7. Databerskala interval atau rasio,
8. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas
(variabel predictor) sedang variabel lainnya variabel terikat (variabel response)
Berikut ini contoh perhitungan regresi linier sederhana menggunakan software SPSS
20.

Tutorial Regresi Linear Sederhana dengan SPSS

Proses mulai dengan memilih menu Analyze, kemudian pilih Linear,

Regresi Linear Sederhana dengan SPSS

Pilih variabel Y sebagai variabel dependen (terikat) dan X1 sebagai variabel independen
(bebas) lalu klik tombol OK,

24
Proses Regresi Linear SPSS

Output Regresi Linear Sederhana dengan SPSS

Output SPSS akan menampilkan hasil berupa 4 buah tabel yaitu;

1. Tabel variabel penelitian,

2. Ringkasan model (model summary),
3. Tabel Anova, dan
4. Tabel Koefisien.

Output Regresi Linear SPSS

Interprestasi Regresi Linear Sederhana dengan SPSS

Cara membaca output spss hasil uji regresi linier tersebut adalah :

25
 1. Tabel pertama menunjukkan variabel apa saja yang diproses, mana yang menjadi
variabel bebas dan variabel terikat.
2. Tabel kedua menampilkan nilai R yang merupakan simbol dari nilai koefisien korelasi.
Pada contoh diatas nilai korelasi adalah 0,342. Nilai ini dapat diinterpretasikan
bahwa hubungan kedua variabel penelitian ada di kategori lemah. Melalui tabel ini
juga diperoleh nilai R Square atau koefisien determinasi (KD) yang menunjukkan
seberapa bagus model regresi yang dibentuk oleh interaksi variabel bebas dan
variabel terikat. Nilai KD yang diperoleh adalah 11,7% yang dapat ditafsirkan bahwa
variabel bebas X1 memiliki pengaruh kontribusi sebesar 11,7% terhadap variabel Y
dan 88,3% lainnya dipengaruhi oleh faktor-faktor lain diluar variabel X1.
3. Tabel ketiga digunakan untuk menentukan taraf signifikansi atau linieritas dari
regresi. Kriterianya dapat ditentukan berdasarkan uji F atau uji nilai Signifikansi (Sig.).
Cara yang paling mudah dengan uji Sig., dengan ketentuan, jika Nilai Sig. < 0,05,
maka model regresi adalah linier, dan berlaku sebaliknya. Berdasarkan tabel ketiga,
diperoleh nilai Sig. = 0,140 yang berarti > kriteria signifikan (0,05), dengan demikian
model persamaan regresi berdasarkan data penelitian adalah tidak signifikan artinya,
model regresi linier tidak memenuhi kriteria linieritas.
4. Tabel keempat menginformasikan model persamaan regresi yang diperoleh dengan
koefisien konstanta dan koefisien variabel yang ada di kolom Unstandardized
Coefficients B. Berdasarkan tabel ini diperoleh model persamaan regresi : Y =38,256
+ 0,229 X1.

DAFTAR PUSTAKA

Abdurrahman, Maman dan Muhibbin, Sambas Ali, Analisis Korelasi, Regresi, dan Jalur
dalam Penelitian, Bandung : CV Pustaka Setia, 2007.
Ari Pujiati, S.1997. Analisis Regresi Linier Berganda Untuk Mengetahui Hubungan Antara
Beberapa Aktifitas Promosi dengan Penjualan Produk. Skripsi.Surabaya:Jurusan
Statistika Institut Teknoligi Sepuluh Nopember.
Muhidin Sambas Ali dan Abdurahman Maman.2007.Analisis Korelasi, Regresi, dan Jalur
Dalam Penelitian. Bandung. Pustaka Setia.
https://www.scribd.com/doc/210114690/MAKALAH-KORELASI (diakses pada 20
april 2015)
http://warnet178meulaboh.blogspot.com/2014/02/makalah-analisis-korelasi.html
(diakses pada 20 april 2015)
Sudjana. 2002. Metode Statistika. Bandung: Tarsito.
Sugiyono. 2013. Statistika Untuk Penelitian. Bandung: Alfabeta.
Usman, Husaini. Akbar, Purnomo S. 2008. Pengantar Statistika. Jakarta: PT Bumi Aksara.

26
27