ANALISIS HUBUNGAN

NUMERIK DENGAN NUMERIK

UJI KORELASI DAN REGRESI LINIER SEDERHANA

Seringkali dalam suatu penelitian kita ingin mengetahui hubungan antara dua
variabel yang berjenis numerik, misalnya huubungan berat badan dengan tekanan
darah, hubungan umur dengan kadar Hb, dsb. Hubungan antara dua variabel numerik
dapat dihasilkan dua jenis, yaitu derajat/keeratan hubungan, digunakan korelasi.
Sedangkan bila ingin mengetahui bentuk hubungan antara dua variabel digunakan
analisis regresi linier.

1. Korelasi
Korelasi di samping dapat untuk mengetahui derajat/keeratan hubungan,
korelasi dapat juga untuk mengetahui arah hubungan dua variabel numerik. Misalnya,
apakah huubungan berat badan dan tekanan darah mempunyai derajat yang kuat atau
lemah, dan juga apakah kedua variabel tersebut berpola positif atau negatif.
Secara sederhana atau secara visual hubungan dua variabel dapat dilihat dari
diagram tebar/pencar (Scatter Plot). Diagram tebar adalah grafik yang menunjukkan
titik-titik perpotongan nilai data dari dua variabel (X dan Y). Pada umumnya dalam
grafik, variabel independen (X) diletakkan pada garis horizontal sedangkan variabel
dependen (Y) pada garis vertikal.
Dari diagram tebar dapat diperoleh informasi tentang pola hubungan antara
dua variabel X dan Y. selain memberi informasi pola hubungan dari kedua variabel
diagram tebar juga dapat menggambarkan keeratan hubungan dari kedua variabel
tersebut.

disimbolkan dengan r (huruf r kecil).

Koefisien korelasi (r) dapat diperoleh dari formula berikut:
N ( XY) (X Y)
r=
[NX2 (X)2] [NY (Y)2

Nilai korelasi (r) berkisar 0 s.d. 1 atau bila dengan disertai arahnya nilainya antara 1
s.d. +1.
r = 0 tidak ada hubungan linier
r = -1 hubungan linier negatif sempurna
r = +1 hubungan linier positif sempurna
Hubungan dua variabel dapat berpola positif maupun negatif. Hubungan
positif terjadi bila kenaikan satu diikuti kenaikan variabel yang lain, misalnya
semakin bertambah berat badannya (semakin gemuk) semakin tinggi tekanan
darahnya. Sedangkan hubungan negatif dapat terjadi bila kenaikan satu variabel
diikuti penurunan variabel yang lain, misalnya semakin bertambah umur (semakin
tua) semakin rendah kadar Hb-nya.

Menurut Colton, kekuatan hubungan dua variabel secara kualitatif dapat dibagi dalam
4 area, yaitu:
r = 0,00 0,25 tidak ada hubungan/hubungan lemah
r = 0,00 0,25 hubungan sedang
r = 0,00 0,25 hubungan kuat
r = 0,00 0,25 hubungan sangat kuat / sempurna
Uji Hipotesis
2

Koefisien korelasi yang telah dihasilkan merupakan langkah pertama untuk

menjelaskan derajat hubungan derajat hubungan linier anatara dua variabel.
Selanjutnya perlu dilakukan uji hipotesis untuk mengetahui apakah hubungan antara
dua variabelteradi secara signifikan atau hanya karena faktor kebetulan dari random
sample (by chance). Uji hipotesis dapat dilakukan dengan dua cara, yaitu pertama:
membandingkan nilai r hitung dengan r tabel, kedua: menggunakan pengujian dengan
pendekatan distribusi t. Pada modul ini kita gunakan pendekatan distribusi t, dengan
formula:
n2

t=r
df = n 2

1 r2

n = jumlah sampel

2. Regresi Linier Sederhana

Seperti sudah diuraikan di depan bahwa analisis hubungan dua variabel dapat
digunakan untuk mengetahui bentuk hubungan dua variabel, yaitu dengan analisis
regresi.
Analisis regresi merupakan suatu model matematis yang dapat digunakan
untuk mengetahui bentuk hubungan antar dua atau lebih variabel. Tujuan analisis
regresi adalah untuk membuat perkiraan (prediksi) nilai suatu variabel (variabel
dependen) melalui variabel yang lain (variabel independen).
Sebagai contoh kita ingin menghuubungkan dua variabel numerik berat badan
dan tekanan darah. Dalam kasus ini berarti berat badan sebagai variabel independen
dan tekanan darah sebagai variabel dependen, sehingga dengan regresi kita dapat
memperkirakan besarnya nilai tekanan darah bila diketahui data berat badan.
Untuk melakukan prediksi digunakan persamaan garis yang dapat diperoleh
dengan berbagai cara/metode. Salah satu cara yang sering digunakan oleh peneliti
adalah dengan menggunakan metode kuadrat terkecil (least square). Metode least
square merupakan suatu metode pembuatan garis regresi dengan cara meminimalkan
jumlah kuadrat jarak antara nilai Y yang teramati dan Y yang diramalkan oleh garis
regresi itu. Secara matematis persamaan garis sbb:
Y = a + bx

Persamaan di atas merupakan model deterministik yang secara sempurna/tepat dapat

digunakan hanya untuk peristiwa alam, misalnya hukum gravitasi bumi, yang
ditemukan oleh Issac Newton adalah contoh model deterministik. Variabel kecepatan
benda jatuh (variabel dependen) pada keadaan yang ideal adalah fungsi matematik
sempurna (bebas dari kesalahan) dari variabel independen berat beda dan gaya
gravitasi.
Contoh lain misalnya hubungan antar suhu Fahrenheit dengan suhu Celcius dapat
dibuat persamaan Y = 32 + 9/5X. variabel suhu Fahrenheit (Y) dapat
dihitung/diprediksi secara sempurna/tepat (bebas kesalahan) bila suhu celsius (X)
diketahui.
Ketika berhadapan pada kondisis ilmu sosial, hubungan antar variabel ada
kemungkinan kesalahan/penyimpangan (tidak eksak), aretinya untuk beberapa nilai X
yang sama kemungkinan diperoleh nilai Y yang berbeda. Misalnya hubungan berat
badan dengan tekanan darah, tidak setiap orang yang berat badannya sama memiliki
tekanan darah yang sama. Oleh karena hubungan X
Y = a + bx + e
dan Y pada ilmu sosial/kesehatan masyarakat tidaklah eksak, maka persamaan garis
yang dibentuk menjadi:
Y = Variabel Dependen
X = Variabel Independen
a = Intercept, perbedaan besarnya rata-rata variabel Y ketika variabel X = 0
b = Slope, perkiraan besarnya perubahan nialia variabel Y bila nilai variabel X
berubah satu unit pengukuran
e = nilai kesalahan (error) yaitu selisih antara niali Y individual yang teramati
dengan nilai Y yang sesungguhnya pada titik X tertentu

XY (XY)/n
b=

a = Y - bX
X2 (X)2/n

Kesalahan Standar Estimasi (Standard Error of Estimate/Se)

Besarnya kesalahan standar estimasi (Se) menunjukkan ketepatan persamaan estimasi
untuk menjelaskan nilai variabel dependen yang sesungguhnya. Semakin kecil nilai
Se, makin tinggi ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan
niali variabel dependen yang sesungguhnya. Dansebaliknya, semakin besar nilai Se,
makin rendah ketepatan persamaan estimasi yang dihasilkan untuk menjelaskan nilai
variabel dependen yang sesungguhnya. Untuk mengetahhui besarnya Se dapat
dihitung melalui formula sbb:
Se =

Y2 - aY - bXY
n-2

Koefisien Determinasi (R2)

Ukuran yang penting dan sering digunakan dalam analisisregresi adalah koefisien
determinasi atau disimbolkan R2 (R Square). Koefisien determinasi dapat dihitung
dengan mengkuadratkan nilai r, atau dengan formula R2 = r2. Koeifisien determinasi
berguna untuk mengetahui seberapa besar variasi variabel dependen (Y) dapat
dijelaskan oleh variabel independen (X). atau dengan kata lain R2 menunjukkan
seberapa jauh variabel independen dapat memprediksi variabel dependen.Semakin
besar nilai R square semakin baik/semakin tepat variabel independen memprediksi
variabel dependen. Besarnya nilai R square antara 0 s.d. 1 atau antara 0% s.d. 100%.

KASUS :
KORELASI DAN REGRESI
Sebagai contoh kita akan melakukan analisis korelasi dan regresi
menggunakan data ASI.SAV dengan mengambil variabel yang bersifat numerik
yaitu umur dengan kadar Hb (diambil Hb pengukuran pertama: Hb1).

A. Korelasi
Untuk mengeluarkan uji korelasi langkahnya adalah sbb:
1. Aktifkan data ASI.SAV
2. Dari menu utama SPSS, klik Analyze, kemudian pilih Correlate, dan lalu pilih
Bivariate, dan muncullah menu Bivariate Correlations:

3. Sorot variabel Umur dan Hb1, lalu masukkan ke kotak sebelah kanan variables.
4. Klik OK dan terlihat hasilnya sbb:

Correlations
Correlations
berat
badan ibu
berat badan ibu

Pearson Correlation
1
Sig. (2-tailed)
N
50
berat badan bayi
Pearson Correlation
.684**
Sig. (2-tailed)
.000
N
50
**. Correlation is significant at the 0.01 level (2-tailed).

berat
badan bayi
.684**
.000
50
1
50

Tampilan analisis korelasi berupa matrik antar variabel yang di korelasi,

informasi yang muncul terdapat tiga baris, baris pertama berisi nilai korelasi (r), baris
kedua menapilkan nilai p (P value), dan baris ketiga menampilkan N (jumlah data).
Pada hasil di atas diperoleh nilai r = 0,684 dan nilai p = 0,0005. Kesimpulan dari hasil
tersebut: hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan
yang kuat dan berpola positif artinya semakin bertambah berat badannya semakin
tinggi berat bayinya. Hasil uji statistik didapatkan ada hubungan yang signifikan
antara berat badan ibu dengan berat badan bayi (p = 0,0005).

B. Regresi Linier Sederhana

Berikut akan dilakukan analisis regresi linier dengan menggunakan variabel
berat badan ibu dan berat badan bayi dari data ASI.SAV. dalam analisis regresi
kita harus menentukan variabel dependen dan variabel independennya. Dalam kasus
ini berarti berat badan ibu sebagai variabel independen dan berat badan bayi sebagai
variabel dependen. Adapun caranya:
1. Pastikan tampilan berada pada data editor ASI.SAV, jika belum aktifkan data
tersebut.
2. Dari menu SPSS, Klik Analysis, pilih Regression, pilih Linear
3. Pada tampilan di atas ada beberpa kotak yang harus diisi. Pada kotak Dependen
isikan variabel yang kita perlakukan sebagai dependen (dalam contoh ini berarti
berat badan bayi) dan pada kotak Independent isikan variabel independennya
(dalam contoh ini berarti berat badan ibu), caranya
4. klik berat badan bayi, masukkan ke kotak Dependent
5. Klik berat badan ibu, masukkan ke kotak Independent

6. Klik OK, dan hasilnya sbb:

Regression
Model Summary
Model
1

R Square

.684a

.468

Adjusted
R Square
.456

Std. Error of
the Estimate
430.715

a. Predictors: (Constant), berat badan ibu

ANOVAb
Model

Sum of

df

Mean

Squares
1

Regression

7820262

Sig.

Square
1 7820261.965

Residual

8904738

48 185515.376

Total

16725000

49

42.154

.000a

a. Predictors: (Constant), berat badan ibu

b. Dependent Variable: berat badan bayi

Coefficientsa
Unstandardized
Coefficients
Model
B
Std. Error
1
(Constant)
657.929
391.676
berat badan ibu
44.383
6.836
a. Dependent Variable: berat badan bayi

Standardized
Coefficients
Beta
.684

Sig.

1.680
6.493

.099
.000

Dari hasil di atas dapat diinterpretasikan dengan mengkaji nilai-nilai yang penting
dalam regresi linier diantaranya: koefisien determinasi, persamaan garis dan p value.
Nilai koefisien determinasi dapat dilihat dari nilai R Square (anda dapat lihat pada
tabel Model Summary) yaitu besarnya 0,468 artinya, persamaan garis regresi yang
kita peroleh dapat menerangkan 46,8% variasi berat badan bayi atau persamaan garis
yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi. Selanjutnya
pada tabel ANOVAb, diperoleh nilai p (di kolom Sig) sebesar 0,0005, berarti pada
alpha 5% kita dapat menyimpulkan bahwa regresi sederhana cocok (fit) dengan data
yang ada persamaan garis regresi dapat dilihat pada tabel Coefficienta yaitu pada
kolom B. Dari hasil diatas didapat nilai konstant (nilai ini merupakan nilai intercept
atau nilai a) sebesar 657,93 dan nilai b = 44,38, sehingga persamaan regresinya:

Y = a + bX
Berat badan bayi = 657,93 + 44,38(berat badan ibu)

Dengan persamaan tersebut, berat badan bayi dapat diperkirakan jika kita tahu nilai
berat badan ibu. Uji uji statistik untuk koefisien regresi dapat dilihat pada kolom Sig
T, dan menghasilkan nilai p=0,0005. Jadi pada alpha 5% kita menolak hipotesis nol,
berarti ada hubngan linier antara berat badan ibu dengan berat badan bayi. Dari nilai
b=44,38 berarti bahwa variabel berat badan bayi akan bertambah sebesar 44,38 gr bila
berat badan ibu bertambah setiap satu kilogram.

Penyajian dan Interpretasi

Tabel
Analisis Korelasi dan regresi berat badan ibu dengan berat badan bayi
Variabel

R2

Persamaan garis

Umur

0,684

0,468

bbayi =657,93 + 44,38

P value
*bbibu 0,0005

Hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan kuat
(r=0,684) dan berpola positif artinya semakin bertambah berat badan ibu semakin
besar berat badan bayinya. Nilai koefisien dengan determinasi 0,468 artinya,
persamaan garis regresi yang kita peroleh dapat menerangkan 46,8,6% variasi berat
badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan
variabel berat badan bayi. Hasil uji statistik didapatkan ada hubungan yang signifikan
antara berat badan ibu dengan berat badan bayi (p=0,005).

Memprediksi variabel Dependen

Dari persamaan garis yang didapat tersebut kita dapat memprediksi variabel dependen
(berat badan bayi) dengan variabel independen (berat badan ibu). Misalkan kita ingin
mengetahui berat badan bayi jika diketahui berat badan ibu sebesar 60 kg, maka:
Berat badan bayi =657,93 + 44,38(berat badan ibu)
Berat badan bayi= 657,93 + 44,38(60)
Berat badan bayi = 3320,73
Ingat prediksi regresi tidak dapat menghasilkan angka yang tepat seperti diatas,
namun perkiraannya tergantung dari nilai Std, Error of The estimate(SEE) yang
besarnya adalah 430,715 (lihat di kotak Model Summary). Dengan demikian variasi
variabel dependen = Z*SEE. Nilai Z dihitung dari tabel Z dengan tingkat kepercyaan
95% dan didapat nilai Z = 1,96, sehingga variasinya 1,96 * 430,715 = 844,201
Jadi dengan tingkat kepercayaan 95%, untuk berat badan ibu 60 kg diprediksikan
berat badan bayinya adalah diantara 2476,5 gr s.d 4164,9 gr

C. Membuat Grafik Prediksi

Langkahnya:
1. Klik Graphs, pilih Scatter
2. Klik Sampel klik Define
3. Pada kotak Y Axis isikan variabel dependennya (masukkan veriabel dependennya
(masukkan Hb1)
4. Pada kotak X Axis isikan variabel independennya (masukkan veriabel
dependennya (masukkan Umur)
5. Klik OK
6. Terlihat di layar grafik scatter plot-nya (garis regresi belum ada?)

10

7. Untuk mengeluarkan garisnya, klik grafiknya 2 kali

8. klikChart
9. pada kotak Fit Line, Klik Total
10. klik OK maka muncul garis regresi

11