UJI KORELASI DAN REGRESI LINIER SEDERHANA
Pendahuluan
Seringkali dalam suatu penelitian kita ingin
mengetahui hubungan antara dua variabel yang
berjenis numerik, misalnya hubungan 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 hubungan berat badan dan tekanan darah
mempunyai derajat yang kuat atau lemah, dan juga apakah kedua variabel tersebut
berpola positif atau negatif.
Nilai korelasi (r) berkisar 0 s.d. 1 atau
bila dengan disertai arahnya, nilainya antara –1 s.d. +1.
Menurut Sugiyono, Analisis koefisien korelasi yaitu:
•
r= 0.00 - 0,199 = sangat rendah
•
r= 0,20 - 0,3999 = rendah
•
r=0,40 - 0,5999 = sedang
•
r=0,60 - 0,799 = kuat
•
r= 0,80 - 1,000 = sangat kuat
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.
2. Regresi
Linier Sederhana
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).
Contoh
Kita ingin menghubungkan 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
KASUS :
KORELASI DAN REGRESI
Sebagai contoh kita akan melakukan analisis korelasi
dan regresi variabel Berat Badan Bayi
dengan Berat badan ibu. Download lembar kerja disini.
A. Uji Korelasi
Untuk
mengeluarkan uji korelasi langkahnya adalah sbb:
1.
Aktifkan data à(‘ASI.SAV’)
2.
Dari menu utama SPSS, klik ‘Analyze’, kemudian pilih ‘Correlate’,
dan lalu pilih ‘Bivariate’, dan muncullah menu Bivariate Correlations:
3.
Sorot variabel ‘Berat badan Ibu dan Berat bdan Bayi Lahir,
lalu masukkan ke kotak sebelah kanan ‘variables’.
4.
Klik OK
Seketika akan keluar Output sebagai berikut
Tampilan
analisis korelasi berupa matrik antar variabel yang di korelasi, informasi yang muncul terdapat tiga baris, baris pertama berisi nilai
korelasi (r),
baris kedua menampilkan 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 badan ibu 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
Sebagai
contoh kita akan melakukan analisis regresi
variabel Berat Badan Ibu dengan Berat Badan Bayi (*lanjutan dari uji
Korelasi)
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
Langkah Uji
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 independennnya (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’,
akan keluar Outputnya sebagai berikut
Dari hasil
di output 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 ANOVA , diperoleh nilai p (di kolom Sig) sebesar 0,0005, berarti pada alpha 5% kita dapat disimpulkan 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 663,64 dan nilai b = 44,32, sehingga persamaan regresinya:
Y = a + bX
Berat badan bayi = 663,64 + 44,32, (berat badan ibu)
Dengan persamaan tersebut, berat badan bayi dapat diperkirakan jika kita tahu nilai berat badan ibu.
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=44,32 berarti bahwa variabel berat badan bayi akan bertambah sebesar 44,32 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
|
R
|
R ²
|
Persamaan Regresi
|
P. Value
|
Umur
|
0,684
|
0,468
|
bbayi =663,64 + 44,38*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% 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 =663,64+ 44,32(berat badan ibu)
• Berat badan bayi= 663,64 + 44,32(60)
• Berat badan
bayi = 3322,84
Keterangan
• Prediksi
regresi tidak dapat menghasil;kan angka yang tepat seperti di atas, namun perkiraannya tergantung dari nilai ‘Std, Error of The
estimate’(SEE)
yang besarnya adalah 429,719 (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 *429,719 = ±
842,249
• Jadi dengan
tingkat kepercayaan 95%, untuk berat badan ibu 60 kg diprediksikan berat badan
bayinya adalah diantara 2480,6 gr s.d 4165,1 gr