Analisis Asosiasi Korelatif

Analisis
Asosiasi Korelatif
Dewi Sawitri
Metoda Analisis Menurut Skala Pengukuran
Nominal Ordinal Interval/Rasio
Ukuran Korelasi
Berbasis Chi-Square
Koefisien Phi
Koefisien V Creamer
Koefisien Kontingensi C
Ukuran Korelasi
Bebasis Proportional
Reduction Error (PRE)
Koefisien Lambda
Ukuran Korelasi Variabel
Ordinal Kontinyu
Koefisien Korelasi Tau
Kendal
Koefisien Korelasi Rho
Spearmen
Ukuran Korelasi Variabel
Ordinal Collapsed
Koefisien Gamma
Koefisien d Sommer
Koefisien Tau-b Kendal
Koefisien Korelasi r
Pearson (Product
Moment)
Asosiasi Variabel Nominal
1. Ukuran Asosiasi Berbasis Chi-Square
Koefisien Phi:
N
2
_
| =
2
= nilai Chi-square
N = Jumlah Sampel
Tabel 2 x 2
Nilai = 0 tidak ada hubungan
Nilai = 1 ada hubungan sempurna
Bila Tabel > 2 kolom dan baris hasil >1 mempersulit
interpretasi.

=
e
e o
f
f f
2
2
) (
_
( ) ( )
n
kolom total baris total
f
e

=
Jenis Kelamin Jumlah
Pria Wanita
Tinggi Badan Tinggi 44 8 52
Pendek 6 42 48
Jumlah 50 50 100
Koefisien V Creamer
Tabel > 2 kolom dan baris
)} 1 ( ), 1 ( ){ (
2

=
c r Min N
V
_
Nilai V tertinggi = 1 untuk beberapa ukuran tabel
V dan sebagai indeks pengukur kekuatan hubungan
antara dua variabel
Masalah utama V dan tidak mempunyai interpretasi
langsung yang bermakna tentang nilai 0 - 1
Koefisien Kontingensi C
) (
2
2
_
_
+
=
N
C
Nilai C antara 0 1, dari tidak ada hubungan sama sekali
sampai hubungan sempurna
Pengujian Koefisien Asosiasi
1. Hipotesa:
H
0
: tidak ada korelasi antara kedua variabel
H
1
: ada korelasi antara kedua variabel
2. Tentukan o
3. Wilayah Kritis
2
>
; df; (b-1)(k-1)

4. Statistik Uji
2
5.
2
jatuh di wilayah kritis hubungan nyata

2. Ukuran Asosiasi Berbasis Proportional Reduction
Error (PRE)
Koefisien Lambda ()
a) Jumlah Kesalahan Prediksi dengan mengabaikan
variabel independent (E
1
)
b) Jumlah Kesalahan Prediksi dengan
mempertimbangkan variabel independent (E
2
)
c) Keduanya dibandingkan untuk memperoleh Statistik

1
2 1
E
E E
=
Interpretasi
Nilai dari 0 1
0 informasi variabel independent tidak
memperbaiki prediksi
1 informasi variabel independent memperbaiki
prediksi
Bila dikalikan 100 Lambda menunjukkan
prosentase reduksi kesalahan.

Prosedur Menghitung Lambda:
1. E
1

= N (Total Baris* Terbesar)
*/**Perhatikan dimana posisi variabel independent baris atau
kolom?
2. Kurangkan frekwensi terbesar pada setiap kolom** dengan
frekwensi total kolom
3. Jumlahkan hasil pengurangan pada setiap kolom tersebut (E
2
)
4. Hitung Lambda.
Perhatian:
Asimetrik
Bila salah satu total baris jauh lebih besar dari
yang lain nilai lambda dapat nol gunakan
koefisien lain koefisien berbasis Chi-square lebih
baik.
Jenis Kelamin Jumlah
Pria Wanita
Tinggi Badan Tinggi 44 8 52
Pendek 6 42 48
Jumlah 50 50 100
E1=100-52=48 kesalahan terkecil tanpa mempertimbangkan
variabel independent.
Kesalahan terkecil mempertimbangkan variabel Independent:
Laki-laki= 50-44=6
Wanita = 50-42=8
E2=6+18=14
Asosiasi Variabel Ordinal
Data Ordinal Terdiri dari Dua Bentuk:
1. Data Ordinal Kontinyu:
Rentang yang lebar dari banyak nilai yang
mungkin
2. Data Ordinal Collapsed (Dilebur):
Mempunyai sedikit (tidak lebih dari 5 atau
6) nilai setiap variabel dapat diperoleh
dari pengumpulan data dalam kontinyu.
1. Ukuran Asosiasi Variabel Ordinal Collapsed
Koefisien Gamma (G)
Memperkirakan urutan dari pasangan kasus
Memperkirakan apakah satu kasus mempunyai skor
yang > atau < dari yang lain dalam variabel yang
ingin diketahui.
Prinsip:
a) Memprediksi urutan dari suatu pasang kasus pada
satu variabel, sementara mengabaikan urutan variabel
lain.
b) Memprediksi urutan suatu pasang kasus pada satu
variabel dengan mempertimbangkan urutan pada
variabel lain.
c) Dua variabel berhubungan bila kesalahan prediksi satu
variabel akan dikurangi dengan mempertimbangkan
atau dengan pengetahuan tentang variabel yang lain.
Interpretasi
Asosiasi yang lebih kuat lebih sedikit kesalahan yang
akan diperoleh:
G=0 tidak ada hubungan antar variabel
Pengetahuan urutan sepasang kasus pada satu variabel
tidak akan memperbaiki prediksi urutan variabel yang lain
G1 hubungan sempurna
Urutan semua pasangan kasus pada satu variabel akan
dapat diprediksi tanpa kesalahan dari urutannya pada
variabel lain.
Hubungan Positif semua kasus diurutkan dalam
urutan yang sama pada kedua variabel
Hubungan Negatif semua kasus diurutkan pada
urutan kebalik diantara dua variabel
Gamma sebagai ukuran: Keberadaan, Kekuatan dan
Arah Hubungan
Penghitungan Koefisien Gamma:
1. Jumlah Pasangan Kasus yang diurutkan dalam
urutan yang sama pada dua variabel (N
s
)
2. Jumlah Pasangan Kasus yang diurutkan dalam
urutan yang berbeda dalam dua variabel (N
d
)
d s
d s
N N
N N
G
+
=
semua pasangan dalam urutan yang sama pada kedua
variabel N
d
=0 G=1
Semua pasangan dalam urutan berbeda pada kedua
variabel N
s
=0 G=-1
N
s
=N
d
G=0 tidak dapat memprediksi urutan satu
variabel berdasarkan variabel yang lain
N
s

X
L M H
Y
L
F
LL

M
H
F
HH

N
d

X
L M H
Y
L
M
H
Latihan Asosiasi Variabel Ordinal
Ns=1.831
X
L M H
Y
L 20 6 4
M 10 15 5
H 8 11 21
Nd=499
X
L M H
Y
L 20 6 4
M 10 15 5
H 8 11 21
57 , 0
499 831 . 1
499 831 . 1
=
+
=
+
=
G
G
N N
N N
G
d s
d s
Perhatian:
Untuk menghitung Koefisien Gamma Tabel
perlu disesuaikan
Koefisien Gamma suatu Ukuran Asosiasi
Simetris tidak membedakan Variabel Bebas
dan Terikat.
Koefisien Sommer (d)
Sommer melibatkan pasangan satu baris atau satu
kolom terikat pada variabel terikat (T
x
) atau (T
y
).

y d s
d s
T N N
N N
d
+ +

=
d selalu < dari G dalam tabel yang sama
d tidak simetri bergantung variabel mana yang
yang dinyatakan tidak bebas
T
x

X
L M H
Y
L
M
H
T
y
=986
X
L M H
Y
L
M
H
Tx=970
X
L M H
Y
L 20 6 4
M 10 15 5
H 8 11 21
Koefisien Tau b Kendal
Tau-b Kendal melibatkan pasangan yang terikat
pada variabel terikat dan variabel bebas T
x
dan
T
y
.
) )( (
y d s x d s
d s
T N N T N N
N N
b Tau
+ + + +

=
Tau-b Kendal Simetris
Hanya mencapai nilai1 bila tabel bujur sangkar
Bagi Tabel Persegi Panjang koefisien ini bukan pilihan
utama
Mana yang dipilih?
Ada perbedaan variabel bebas dan terikat
Sommer
Tabel Non bujur sangkar hindari Tau-b
Kendal
Ketiganya memberikan kesimpulan yang
relatif sama mengenai keberadaan, kekuatan
dan arah hubungan.
Prosedur Pengujian Hubungan Variabel
Ordinal Collapsed Gamma
Bila Ukuran sampel lebih besar dari 10,
distribusi sampling semua gamma sampel yang
mungkin dapat dianggap berbentuk normal
1. Pembuatan Asumsi:
Pengambilan sampel random
Tingkat Pengukuran Ordinal
Distribusi Sampling Normal
2. Pernyataan Hipotesa Nol:
Ho: =0,0
H1: 0,0
Prosedur Pengujian Hubungan Variabel Ordinal
Collapsed Gamma
3. Pemilihan distribusi sampling dan penentuan
wilayah kritis
Distribusi sampling= distribusi Z
Tingkat Keberartian =
Z
kritis
=
4. Statistik Uji:

3. Membuat keputusan
Membandingkan Z Hitung dan Z kritis

( )
2
1 G N
N N
G Z
d s
hitung
+
=
2. Ukuran Asosiasi Variabel Ordinal Kontinyu
Koefisien Rho (Spearman)
Melihat perbedaan Rank dua variabel yang dilihat hubungannya
Bila perbedaan sangat kecil kedua variabel saling berhubungan
) 1 (
6
1
2
2
=

N N
D
r
s
r= 1 hubungan sempurna
r=1 hubungan positif sempurna, kedua variabel diurutkan pada
urutan yang sama.
r=-1 hubungan negatif sempurna, kedua variabel diurutkan secara
terbalik.
r=0 tidak ada hubungan
R
2
menunjukkan reduksi kesalahan dalam memprediksi satu variabel
berdasarkan yang lain.
Obyek X Rank Y Rank D D
2

1 18 15
2 17 18
3 15 12
4 12 16
5 10 6
6 9 10
7 8 8
8 8 7
9 5 5
10 1 2
Obyek X Rank Y Rank D D
2

1 18 1 15 3 -2 4
2 17 2 18 1 1 1
3 15 3 12 4 -1 1
4 12 4 16 2 2 4
5 10 5 6 8 -3 9
6 9 6 10 5 1 1
7 8 7,5 8 6 1,5 2,25
8 8 7,5 7 7 0,5 0,25
9 5 9 5 9 0 0
10 1 10 2 10 0 0
Total 22,5
) 1 (
6
1
2
2
=

N N
D
r
s
( )
864 , 0
990
135
1
1 100 10
5 , 22 6
1
=
=
=
s
s
s
r
r
r
Prosedur Pengujian Hubungan Variabel
Ordinal Kontinyu Rho
Bila Ukuran sampel lebih besar dari 10,
distribusi sampling semua rho sampel yang
mungkin mendekati distribusi t
1. Pembuatan Asumsi:
Tingkat Pengukuran Ordinal
Distribusi Sampling Normal
2. Pernyataan Hipotesa Nol:
Ho:
s
=0,0
H1:
s
0,0
Prosedur Pengujian Hubungan Variabel Ordinal
kontinyuRho
3. Pemilihan distribusi sampling dan penentuan
wilayah kritis
Distribusi sampling= distribusi t
Tingkat Keberartian = df=N-2=
t
kritis
=
4. Statistik Uji:

3. Membuat keputusan
Membandingkan t Hitung dan t kritis

2
1
2
s
s hitung
r
N
r t
=
Koefisien Tau Kendal
Menelusuri urutan kedua variabel secara bersama.

) 1 (
2
1
=
n n
S
t
Prosedur Menghitung S
1. Buat Rank masing-masing variabel
2. Variabel pertama susun sesuai dengan urutan rank
dari kecil ke besar
3. Variabel kedua disusun obyeknya sesuai dengan
urutan yang dihasilkan pada tahap kedua
4. Berdasarkan variabel kedua, untuk setiap obyek
hitung jumlah obyek pada urutan berikutnya yang
mempunyai rank > Tanda +
5. Berdasarkan variabel kedua, setiap obyek hitung
jumlah obyek pada urutan berikutnya dengan rank<
Tanda
6. Setiap obyek hitung S
i
= Pos-Neg
7. Hitung
=
i
S S
Obyek X Rank Y Rank > < S
i

10 1 1 2 1
9 5 2 5 2
7 8 3,5 8 5
8 8 3,5 7 4
1 18 15
2 17 18
3 15 12
4 12 16
5 10 6
6 9 10
Obyek X Rank Y Rank > < S
i

10 1 1 2 1 9 0 9
9 5 2 5 2 8 0 8
8 8 3,5 7 4 6 -1 5
7 8 3,5 8 5 5 -1 4
6 9 5 10 6 4 -1 3
5 10 6 6 3 4 0 4
4 12 7 16 9 1 -2 -1
3 15 8 12 7 2 0 2
2 17 9 18 10 0 -1 -1
1 18 10 15 8 0 0 0
Total 33
) 1 (
2
1
=
n n
S
t
( )
733 , 0
45
33
1 10 10
2
1
33
=
=
=
t
t
t
1. Asumsi:
Skala Pengukuran Ordinal Kontinyu
Distribusi Sampling Normal sampel besar
2. Hipotesa
H
o
: =0
H
1
: 0
3. Distribusi Sampling dan wilayah kritis
Distribusi: Z
o=0,05
4. Statistik Uji
5. Keputusan
Pengujian Keberartian Hubungan

) (t
t
Var
Z =
) 1 ( 9
) 5 2 ( 2
) (
+
+
=
n n
n
Var t
Asosiasi Variabel Interval-Rasio
Koefisien Korelasi Product Moment:
Pearson (r)
Untuk mengukur hubungan dua variabel
yang diukur dalam skala interval rasio
Asumsi Dasar:
1. Linier Koesien Korelasi hanya cocok untuk
mengukur derajat hubungan antara variabel
yang terkait secara linier bila hubungan tidak
linier, koefisien korelasi akan menunjukkan
angka nol.
2. Kedua Variabel merupakan variabel random yang
dikur dalam skala interval rasio.
3. Kedua Variabel mempunyai distribusi normal
Bivariat.

y x
i i
S S n
Y Y X X
r
) 1 (
) )( (
__ __

=
] ) ( ][ ) ( [
) )( (
2
__
2
__
__ __
Y Y X X
Y Y X X
r

=
] ) ( ][ ) ( [
) )( (
2 2 2 2
Y Y N X X N
Y X XY N
r
Penghitungan Koefisien Korelasi Pearson (r)
1.
2.
3.
Obyek X Y
1 18 15
2 17 18
3 15 12
4 12 16
5 10 6
6 9 10
7 8 8
8 8 7
9 5 5
10 1 2
Total

=
] ) ( ][ ) ( [
) )( (
2
__
2
__
__ __
Y Y X X
Y Y X X
r
( )
2
Y - Y ( )
2
X - X ( )( ) Y - Y X - X ( ) X - X ( ) Y - Y
Obyek X Y X
2
Y
2
XY
1 18 15
2 17 18
3 15 12
4 12 16
5 10 6
6 9 10
7 8 8
8 8 7
9 5 5
10 1 2
Total X Y X
2
Y
2
XY

=
] ) ( ][ ) ( [
) )( (
2 2 2 2
Y Y N X X N
Y X XY N
r
Interpretasi:
r=0 tidak ada hubungan
r= 1 hubungan sempurna
r
2
koefisien determinasi proporsi variasi
yang dijelaskan oleh variabel lain
Pengujian Keberartian Hubungan
Apakah hubungan kedua variabel tersebut nyata dalam
populasinya
Hipotesa Nol menyatakan tidak ada hubungan dalam
populasinya.
1. Asumsi:
Sampel random
Skala Pengukuran Interval rasio
Kedua Variabel terdistribusi normal
Homoscedasticity Variansi dari nilai seragam untuk setiap nilai X
2. Hipotesa
H
o
:=0
H
1
:0
3. Distribusi Sampling dan wilayah kritis
Distribusi Samping: t
Df= N-2
4. Statistik Uji
5. Kesimpulan
2
1
2
r
N
r t
hitung

Analisis Asosiasi Korelatif

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Asosiasi Korelatif

Diunggah oleh

Hak Cipta:

Format Tersedia

Analisis

Anda mungkin juga menyukai