Anda di halaman 1dari 18

Analisis korelasi parsial (Partial Correlation) digunakan untuk mengetahui hubungan antara dua variabel dimana variabel lainnya

yang dianggap berpengaruh dikendalikan atau dibuat tetap (sebagai variabel kontrol). Nilai korelasi (r) berkisar antara 1 sampai -1, nilai semakin mendekati 1 atau -1 berarti hubungan antara dua variabel semakin kuat, sebaliknya nilai mendekati 0 berarti hubungan antara dua variabel semakin lemah. Nilai positif menunjukkan hubungan searah (X naik maka Y naik) dan nilai negatif menunjukkan hubungan terbalik (X naik maka Y turun). Data yang digunakan biasanya berskala interval atau rasio. Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi koefisien korelasi sebagai berikut: 0,00 - 0,199 = sangat rendah 0,20 - 0,399 = rendah 0,40 - 0,599 = sedang 0,60 - 0,799 = kuat 0,80 - 1,000 = sangat kuat

Contoh kasus: Kita mengambil contoh pada kasus korelasi sederhana di atas dengan menambahkan satu variabel kontrol. Seorang mahasiswa bernama Andi melakukan penelitian dengan menggunakan alat ukur skala. Andi ingin meneliti tentang hubungan antara kecerdasan dengan prestasi belajar jika terdapat faktor tingkat stress pada siswa yang diduga mempengaruhi akan dikendalikan. Dengan ini Andi membuat 2 variabel yaitu kecerdasan dan prestasi belajar dan 1 variabel kontrol yaitu tingkat stress. Tiap-tiap variabel dibuat beberapa butir pertanyaan dengan menggunakan skala Likert, yaitu angka 1 = Sangat tidak setuju, 2 = Tidak setuju, 3 = Setuju dan 4 = Sangat Setuju. Setelah membagikan skala kepada 12 responden didapatlah skor total item-item yaitu sebagai berikut: Tabel. Tabulasi Data (Data Fiktif)
Subjek 1 2 3 4 5 6 7 8 9 10 11 12 Kecerdasan 33 32 21 34 34 35 32 21 21 35 36 21 Prestasi Belajar 58 52 48 49 52 57 55 50 48 54 56 47 Tingkat Stress 25 28 32 27 27 25 30 31 34 28 24 29

Langkah-langkah pada program SPSS Masuk program SPSS Klik variable view pada SPSS data editor Pada kolom Name ketik x1, kolom Name pada baris kedua ketik x2, kemudian kolom Name pada baris ketiga ketik y. Pada kolom Decimals ganti menjadi 0 untuk semua variabel Pada kolom Label, untuk kolom pada baris pertama ketik Kecerdasan, untuk kolom pada baris kedua Tingkat Stress, dan kolom pada baris ketiga ketik Prestasi Belajar. Untuk kolom-kolom lainnya boleh dihiraukan (isian default) Buka data view pada SPSS data editor, maka didapat kolom variabel x1, x2 dan y. Ketikkan data sesuai dengan variabelnya Klik Analyze - Correlate - Partial Klik variabel Kecerdasan dan masukkan ke kotak Variables, kemudian klik variabel Prestasi Belajar dan masukkan ke kotak yang sama (Variables). Klik variabel Tingkat Stres dan masukkan ke kotak Controlling for Klik OK, maka hasil output yang didapat adalah sebagai berikut: Tabel. Hasil Analisis Korelasi Parsial
Persoalan pengukuran, atau pengamatan hubungan antara dua peubah X dan Y, berikut ini akan kita bicarakan sesuai dengan referensi yang kami peroleh dalam beberapa literatur. Tulisan ini tentu saja tidak selengkap seperti halnya tulisan tentang Pengertian Korelasi dalam buku Statistika yang ditulis oleh, Ronald E. Walpole, Sugiono, Murray R. Spiegel, atau beberapa Statistikawan yang memang saya kagumi ke-pakar-annya. Akan tetapi setidaknya bisa dijadikan bacaan tambahan bagi mahasiswa yang ingin mengetahui lebih jauh tentang persoalan korelasi atau persoalan-persoalan lain yang berkaitan dengan hubungan antar dua peubah. Kita tidak akan dan bukan meramalkan nilai Y dari pengetahuan mengenai peubah bebas X seperti dalam regresi linier. Sebagai misal, bila peubah X menyatakan besarnya biaya yang dikeluarkan untuk membeli Pupuk dan Y adalah besarnya hasil Produksi Padi dalam satu kali musim tanam, barangkali akan muncul pertanyaan dalam hati kita apakah penurunan biaya yang dikeluarkan untuk membeli Pupuk juga berpeluang besar untuk diikuti dengan penurunan hasil Produksi Padi dalam satu musim tanam. Dalam studi empiris lain, bila X adalah harga suatu barang yang ditawarkan dan Y adalah jumlah permintaan terhadap barang tersebut yang dibeli oleh konsumen, maka kita membayangkan jika nilai-nilai X yang besar tentu akan berpasangan dengan nilai-nilai Y yang kecil.

Dalam hal ini kita tentu saja mempunyai bilangan yang menyatakan proporsi keragaman total nilai-nilai peubah Y yang dapat dijelaskan oleh nilai-nilai peubah X melalui hubungan linear tersebut. Jadi misalkan suatu korelasi memiliki besaran r = 0,36 bermakna bahwa 0,36 atau 36% di antara keragaman total nilai-nilai Y dalam contoh kita, dapat dijelaskan oleh hubungan linearnya dengan nilai-nilai X. Contoh lainnya adalah, misal koefisien korelasi sebesar 0,80 menunjukkan adanya hubungan linear yang sangat baik antara X dan Y. Karena r2 = 0,64, maka kita dapat mengatakan bahwa 64 % di antara keragaman dalam nilai-nilai Y dapat dijelaskan oleh hubungan linearnya dengan X. Besaran koefisien korelasi contoh r merupakan sebuah nilai yang dihitung dari n pengamatan sampel. Sampel acak berukuran n yang lain tetapi diambil dari populasi yang sama biasanya akan menghasilkan nilai r yang berbeda pula. Dengan demikian kita dapat memandang r sebagai suatu nilai dugaan bagi koefisien korelasi linear yang sesungguhnya berlaku bagi seluruh anggota populasi. Misalkan kita lambangkan koefisien korelasi populasi ini dengan . Bila r dekat dengan nol, kita cenderung menyimpulkan bahwa = 0. Akan tetapi, suatu nilai contoh r yang mendekati + 1 atau 1 menyarankan kepada kita untuk menyimpulkan bahwa 0. Masalahnya sekarang adalah bagaimana memperoleh suatu peng-uji-an yang akan mengatakan kepada kita kapan r akan berada cukup jauh dari suatu nilai tertentu o, agar kita mempunyai cukup alasan untuk menolak hipotesis nol (Ho) bahwa = o, dan menerima alternatifnya. Hipotesis alternatif bagi H1 biasanya salah satu di antara < o, > o, atau o. 1. J Supranto, Statistika, Teori Dan Aplikasi, Penerbit Erlangga, Jakarta, 1987. 2. Riduan, Dasar-dasar Statistika, Penerbit ALFABETA, Bandung, 2005. 3. Ronald E. Walpole, Pengantar Statistika, Edisi ke-3, Penerbit PT. Gramedia Pustaka Utama, Jakarta, 1992. 4. Suharto, Kumpulan Bahan Kuliah, Pengantar Statistika, UM Metro, Lampung, 2007. 5. Murray R. Spiegel, Seri Buku Schaum, Teori dan Soal, Statistika, Edisi Kedua. Alih Bahasa oleh Drs. I Nyoman Susila, M.Sc. dan Ellen Gunawan, M.M., Penerbit Erlangga, 1988.
1. ANALISIS KORELASI SEDERHANA

Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui keeratan hubungan antara dua variabel dan untuk mengetahui arah

- 0,199

hubungan yang terjadi. Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang terjadi antara dua variabel. Dalam SPSS ada tiga metode korelasi sederhana (bivariate correlation) diantaranya Pearson Correlation, Kendalls tau-b, dan Spearman Correlation. Pearson Correlation digunakan untuk data berskala interval atau rasio, sedangkan Kendalls tau-b, dan Spearman Correlation lebih cocok untuk data berskala ordinal. Pada bab ini akan dibahas analisis korelasi sederhana dengan metode Pearson atau sering disebut Product Moment Pearson. Nilai korelasi (r) berkisar antara 1 sampai -1, nilai semakin mendekati 1 atau -1 berarti hubungan antara dua variabel semakin kuat, sebaliknya nilai mendekati 0 berarti hubungan antara dua variabel semakin lemah. Nilai positif menunjukkan hubungan searah (X naik maka Y naik) dan nilai negatif menunjukkan hubungan terbalik (X naik maka Y turun). Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi koefisien korelasi sebagai berikut: = sangat rendah 0,20 - 0,399 = rendah 0,40 - 0,599 = sedang 0,60 - 0,799 = kuat 0,80 - 1,000 = sangat kuat Contoh kasus: Seorang mahasiswa bernama Andi melakukan penelitian dengan menggunakan alat ukur skala. VITA ingin mengetahui apakah ada hubungan antara kecerdasan dengan prestasi belajar pada siswa SMU NEGRI xxx dengan ini VITA membuat 2 variabel yaitu kecerdasan dan prestasi belajar. Tiap-tiap variabel dibuat beberapa butir pertanyaan dengan menggunakan skala Likert, yaitu angka 1 = Sangat tidak setuju, 2 = Tidak setuju, 3 = Setuju dan 4 = Sangat Setuju. Setelah membagikan skala kepada 12 responden didapatlah skor total item-item yaitu sebagai berikut: Tabel. Tabulasi Data (Data Fiktif)
Subjek 1 2 3 4 5 6 7 8 Kecerdasan 33 32 21 34 34 35 32 21 Prestasi Belajar 58 52 48 49 52 57 55 50

9 10 11 12

21 35 36 21

48 54 56 47

Langkah-langkah pada program SPSS Masuk program SPSS Klik variable view pada SPSS data editor Pada kolom Name ketik x, kolom Name pada baris kedua ketik y. Pada kolom Decimals ganti menjadi 0 untuk variabel x dan y Pada kolom Label, untuk kolom pada baris pertama ketik Kecerdasan, untuk kolom pada baris kedua ketik Prestasi Belajar. Untuk kolom-kolom lainnya boleh dihiraukan (isian default) Buka data view pada SPSS data editor, maka didapat kolom variabel x dan y. Ketikkan data sesuai dengan variabelnya Klik Analyze - Correlate - Bivariate Klik variabel Kecerdasan dan masukkan ke kotak Variables, kemudian klik variabel Prestasi Belajar dan masukkan ke kotak yang sama (Variables). Klik OK, maka hasil output yang didapat adalah sebagai berikut: Tabel. Hasil Analisis Korelasi Bivariate Pearson

Dari hasil analisis korelasi sederhana (r) didapat korelasi antara kecerdasan dengan prestasi belajar (r) adalah 0,766. Hal ini menunjukkan bahwa terjadi hubungan yang kuat antara kecerdasan dengan prestasi belajar. Sedangkan

arah hubungan adalah positif karena nilai r positif, berarti semakin tinggi kecerdasan maka semakin meningkatkan prestasi belajar. Uji Signifikansi Koefisien Korelasi Sederhana (Uji t) Uji signifikansi koefisien korelasi digunakan untuk menguji apakah hubungan yang terjadi itu berlaku untuk populasi (dapat digeneralisasi). Misalnya dari kasus di atas populasinya adalah siswa SMU NEGRI XXX dan sampel yang diambil dari kasus di atas adalah 12 siswa SMU NEGRI XXX, jadi apakah hubungan yang terjadi atau kesimpulan yang diambil dapat berlaku untuk populasi yaitu seluruh siswa SMU Negeri XXX.
-

Langkah-langkah pengujian sebagai berikut: 1. Menentukan Hipotesis Ho : Tidak ada hubungan secara signifikan antara kecerdasan dengan prestasi belajar Ha : Ada hubungan secara signifikan antara kecerdasan dengan prestasi belajar nentukan tingkat signifikansi Pengujian menggunakan uji dua sisi dengan tingkat signifikansi a = 5%. (uji dilakukan 2 sisi karena untuk mengetahui ada atau tidaknya hubungan yang signifikan, jika 1 sisi digunakan untuk mengetahui hubungan lebih kecil atau lebih besar). Tingkat signifikansi dalam hal ini berarti kita mengambil risiko salah dalam mengambil keputusan untuk menolak hipotesa yang benar sebanyak-banyaknya 5% (signifikansi 5% atau 0,05 adalah ukuran standar yang sering digunakan dalam penelitian) 3. Kriteria Pengujian rima jika Signifikansi > 0,05 Ho ditolak jika Signifikansi < 0,05 4. Membandingkan signifikansi Nilai signifikansi 0,004 < 0,05, maka Ho ditolak. 5. Kesimpulan Oleh karena nilai Signifikansi (0,004 < 0,05) maka Ho ditolak, artinya bahwa ada hubungan secara signifikan antara kecerdasan dengan prestasi belajar. Karena koefisien korelasi nilainya positif, maka berarti kecerdasan berhubungan positif dan signifikan terhadap pretasi belajar. Jadi dalam kasus ini dapat disimpulkan

bahwa kecerdasan berhubungan positif terhadap prestasi belajar pada siswa SMU Negeri XXX 2. ANALISIS KOEFISIEN KORELASI LINEAR BERGANDA
Adalah indeks atau angka yang diigunakan untuk mengukur keeratan hubungan antara 3 variabel/lebih. Koefisien korelasi berganda dirumuskan :

Ry1.2 =

Keterangan : Ry1.2 : koefisien linier 3 variabel ry1 : koefisien korelasi y dan X1 ry2 : koefisien korelasi variabel y dan X2 r1.2 : koefisien korelasi variabel X1 dan X2 dimana :

ry1 =

ry2 =

r1.2 =

Ry1.2 =

Contoh Soal :
RUMAH TANGGA I 3 5 4 II 5 8 3 III 6 9 2 IV 7 10 3 V 4 7 2 VI 6 7 4 VII 9 11 5

VARIABEL Pengeluaran (Y) Pendapatan (X1) Jumlah Anggota Keluarga (X2)

Pertanyaan : 1. Carilah Nilai Koefisien Korelasinya ! 2. Jelaskan makna hubungannya ! Penyelesaian : No 1 2 3 4 5 6 7 Y 3 5 6 7 4 6 9 40 X1 5 8 9 10 7 7 11 57 X2 4 3 2 3 2 4 5 23 Y2 9 25 36 49 16 36 81 252 X12 25 64 81 100 49 49 121 489 X22 16 9 4 9 4 16 25 83 X1Y 15 40 54 70 28 42 99 348 X2Y 12 15 12 21 8 24 45 137 X1 X2 20 24 18 30 14 28 55 189

Berdasarkan hasil perhitungan diperoleh nilai Korelasi (R) = 0,9686 atau 0,97. Nilai Korelasi (R) = 0,97 bermakna bahwa hubungan kedua variabel X (X 1 dan X2) sangat kuat karena nilai R mendekati 1.

3. ANALISIS KORELASI PARSIAL


Koefisien korerasi parsial adalah indeks atau angka yang digunakan untuk mengukur keeratan hubungan antara 2 variabel, jika variabel lainnya konstanta, pada hubungan yang melibatkan lebih dari dua variabel. Koefisien korelasi parsial untuk tiga variabel dirumuskan oleh : 1. Koefisien korelasi parsial antara Y dan X1 apabila X2 konstanta.

ry1.2 =
2. Koefisien korelasi parsial antara Y dan X2 apabila X1 konstanta

ry2.1 = 3. Koefisien korelasi parsial antara X1 dan X2 apabila Y konstanta

r2.1Y =

Analisis korelasi parsial (Partial Correlation) digunakan untuk mengetahui hubungan antara dua variabel dimana variabel lainnya yang dianggap berpengaruh dikendalikan atau dibuat tetap (sebagai variabel kontrol). Nilai korelasi (r) berkisar antara 1 sampai -1, nilai semakin mendekati 1 atau -1 berarti hubungan antara dua variabel semakin kuat, sebaliknya nilai mendekati 0 berarti hubungan antara dua variabel semakin lemah. Nilai positif menunjukkan hubungan searah (X naik maka Y naik) dan nilai negatif menunjukkan hubungan terbalik (X naik maka Y turun). Data yang digunakan biasanya berskala interval atau rasio. Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi koefisien korelasi sebagai berikut: - 0,199 = sangat rendah 0,20 - 0,399 = rendah 0,40 - 0,599 = sedang 0,60 - 0,799 = kuat 0,80 - 1,000 = sangat kuat Contoh kasus: Kita mengambil contoh pada kasus korelasi sederhana di atas dengan menambahkan satu variabel kontrol. Seorang mahasiswa bernama Andi melakukan penelitian dengan menggunakan alat ukur skala. Andi ingin meneliti tentang hubungan antara kecerdasan

dengan prestasi belajar jika terdapat faktor tingkat stress pada siswa yang diduga mempengaruhi akan dikendalikan. Dengan ini Andi membuat 2 variabel yaitu kecerdasan dan prestasi belajar dan 1 variabel kontrol yaitu tingkat stress. Tiap-tiap variabel dibuat beberapa butir pertanyaan dengan menggunakan skala Likert, yaitu angka 1 = Sangat tidak setuju, 2 = Tidak setuju, 3 = Setuju dan 4 = Sangat Setuju. Setelah membagikan skala kepada 12 responden didapatlah skor total item-item yaitu sebagai berikut: Tabel. Tabulasi Data (Data Fiktif)
Subjek 1 2 3 4 5 6 7 8 9 10 11 12 Kecerdasan 33 32 21 34 34 35 32 21 21 35 36 21 Prestasi Belajar 58 52 48 49 52 57 55 50 48 54 56 47 Tingkat Stress 25 28 32 27 27 25 30 31 34 28 24 29

Langkah-langkah pada program SPSS Masuk program SPSS Klik variable view pada SPSS data editor Pada kolom Name ketik x1, kolom Name pada baris kedua ketik x2, kemudian kolom Name pada baris ketiga ketik y. Pada kolom Decimals ganti menjadi 0 untuk semua variabel Pada kolom Label, untuk kolom pada baris pertama ketik Kecerdasan, untuk kolom pada baris kedua Tingkat Stress, dan kolom pada baris ketiga ketik Prestasi Belajar. Untuk kolom-kolom lainnya boleh dihiraukan (isian default) Buka data view pada SPSS data editor, maka didapat kolom variabel x1, x2 dan y. Ketikkan data sesuai dengan variabelnya Klik Analyze - Correlate - Partial

Klik variabel Kecerdasan dan masukkan ke kotak Variables, kemudian klik variabel Prestasi Belajar dan masukkan ke kotak yang sama (Variables). Klik variabel Tingkat Stres dan masukkan ke kotak Controlling for Klik OK, maka hasil output yang didapat adalah sebagai berikut: Tabel. Hasil Analisis Korelasi Parsial
-PARTIAL CORRELATION COEFFICIENTS Controlling for.. X1 X1 1.0000 ( 0) P= . .4356 ( 9) P= .181 X2 Y .4356 ( 9) P= .181 1.0000 ( 0) P= .

(Coefficient / (D.F.) / 2-tailed Significance) " . " is printed if a coefficient cannot be computed

Dari hasil analisis korelasi parsial (ry.x 1x2) didapat korelasi antara kecerdasan dengan prestasi belajar dimana tingkat stress dikendalikan (dibuat tetap) adalah 0,4356. Hal ini menunjukkan bahwa terjadi hubungan yang sedang atau tidak terlalu kuat antara kecerdasan dengan prestasi belajar jika tingkat stress tetap. Sedangkan arah hubungan adalah positif karena nilai r positif, artinya semakin tinggi kecerdasan maka semakin meningkatkan prestasi belajar.
-

Uji Signifikansi Koefisien Korelasi Parsial (Uji t)

Uji signifikansi koefisien korelasi parsial digunakan untuk menguji apakah hubungan yang terjadi itu berlaku untuk populasi (dapat digeneralisasi). Langkah-langkah pengujian sebagai berikut: 1. Menentukan Hipotesis Ho : Tidak ada hubungan secara signifikan antara kecerdasan dengan prestasi belajar jika tingkat stress tetap Ha : Ada hubungan secara signifikan antara kecerdasan dengan prestasi belajar jika tingkat stress tetap enentukan tingkat signifikansi Pengujian menggunakan uji dua sisi dengan tingkat signifikansi = 5%. (uji dilakukan 2 sisi karena untuk mengetahui ada atau tidaknya hubungan yang signifikan, jika 1 sisi digunakan untuk mengetahui hubungan lebih kecil atau lebih besar) Tingkat signifikansi dalam hal ini berarti kita mengambil risiko salah dalam mengambil keputusan untuk menolak hipotesa yang benar sebanyak-banyaknya 5% (signifikansi 5% atau 0,05 adalah ukuran standar yang sering digunakan dalam penelitian) 3. Kriteria Pengujian Berdasar probabilitas: erima jika P value > 0,05 Ho ditolak jika P value < 0,05 4. Membandingkan probabilitas Nilai P value (0,181 > 0,05) maka Ho diterima. 8. Kesimpulan Oleh karena nilai P value (0,181 > 0,05) maka Ho diterima, artinya bahwa tidak ada hubungan secara signifikan antara kecerdasan dengan prestasi belajar jika tingkat stress dibuat tetap. Hal ini dapat berarti terdapat hubungan yang tidak signifikan, artinya hubungan tersebut tidak dapat berlaku untuk populasi yaitu seluruh siswa SMU Negeri XXX, tetapi hanya berlaku untuk sampel. Jadi dalam kasus ini dapat disimpulkan bahwa kecerdasan tidak berhubungan terhadap prestasi belajar pada siswa SMU Negeri XXX.

4. KORELASI RANK SPEARMAN

Korelasi Rank Spearman digunakan untuk mencari hubungan atau untuk menguji signifikansi hipotesis asosiatif bila masing-masing variabel yang dihubungkan berbentuk Ordinal. Contoh: Ada 10 orang responden yang diminta untuk mengisi daftar pertanyaan tentang Motivasi dan Prestasi dalam sebuah kantor. Jumlah responden yang diminta mengisi daftar pertanyaan itu 10 karyawan, masing-masing diberi nomor 1, 2, 3, 4, 5, 6, 7, 8, 9, 10. Nilai yang diberikan oleh kesepuluh responden tentang Motivasi dan Prestasi itu diberikan pada contoh berikut. Yang akan diketahui adalah apakah ada hubungan antara Motivasi dengan Prestasi. Berdasarkan hal tersebut maka: Judul penelitian adalah : Hubungan antara Motivasi dengan Prestasi. Variabel penelitiannya adalah : nilai jawaban dari 10 responden tentang Motivasi (Xi) dan Prestasi (Yi) 3. Rumusan masalah: apakah ada hubungan antara variabel Motivasi dan Prestasi? 4. Hipotesis: Ho: tidak ada hubungan antara variabel Motivasi dan Prestasi. Ha: ada hubungan antara variabel Motivasi dan Prestasi 5. Kriteria Pengujian Hipotesis Ho ditolak bila harga hitung > dari tabel Ho diterima bila harga hitung dari tabel Penyajian data

1. 2.

Jawaban responden yang telah terkumpul ditunjukkan pada Tabel 1 berikut ini: Tabel 1. Nilai Motivasi dan Prestasi Nomor responden 1 2 3 Jumlah Skor Jumlah skor

9 6 5

8 7 6

4 5 6 7 8 9 10

7 4 3 2 8 7 6

8 5 4 2 9 8 6

6. Perhitungan untuk pengujian Hipotesis Data tersebut diperoleh dari sumber yang berbeda yaitu Motivasi (Xi) dan Prestasi (Yi). Karena sumber datanya berbeda dan berbentuk ordinal, maka untuk menganalisisnya digunakan Korelasi Rank yang rumusnya adalah: = 1 ( 6bi 2 : N ( N2 1 ) di N = koefisien korelasi Spearman Rank = beda antara dua pengamatan berpasangan = total pengamatan

Korelasi Spearman rank bekerja dengan data ordinal. Karena jawaban responden merupakan data ordinal, maka data tersebut diubah terlebih dahulu dari data ordinal dalam bentuk ranking yang caranya dapat dilihat dalam Tabel 2. Bila terdapat nilai yang sama, maka cara membuat peringkatnya adalah: Misalnya pada Xi nilai 9 adalah peringkat ke 1, nilai 8 pada peringkat ke 2, selanjutnya disini ada nilai 7 jumlahnya dua. Mestinya peringatnya kalau diurutkan adalah peringkat 3 dan 4. tetapi karena nilainya sama, maka peringkatnya dibagi dua yaitu: (3 + 4) : 2 = 3,5. akhirnya dua nilai 7 pada Xi masing-masing diberi peringkat 3,5. Selanjutnya pada Yi disana ada nilai 8 jumlahnya tiga. Mestinya peringkatnya adalah 2, 3 dan 4. Tetapi karena nilainya sama maka peringkatnya dibagi tiga yaitu: (2 + 3 + 4) : 3 = 3. Jadi nilai 8 yang jumlahnya tiga masing-masing diberi peringkat 3 pada kolom Yi. Selanjutnya nilai 7 diberi peringkat setelah peringkat 4 yaitu peringkat 5. Lanjutkan saja.. Tabel 2. Tabel penolong untuk menghitung koefisien korelasi Spearman Rank.

Nomor Nilai Motivasi Nilai Prestasi Responden Resp. I (Xi) dari Resp. II (Yi) 1 2 3 4 5 6 7 8 9 10 9 6 5 7 4 3 2 8 7 6 8 7 6 8 5 4 2 9 8 6

Peringkat (Xi)

Peringkat (Yi)

bi

bi2

1 5,5 7 3,5 8 9 10 2 3,5 5,5

3 5 6,5 3 8 9 10 1 3 6,5

-2 0,5 0,5 0,5 0 0 0 1 0,5 -1 0

4 0,25 0,25 0,25 0 0 0 1 0,25 1 7

Selanjutnya harga bi2 yang telah diperoleh dari hitungan dalam tabel kolom terakhir dimasukkan dalam rumus korelasi Spearman Rank : = 1 6.7 : ( 10 x 102 -1 ) = 1 0,04 = 0,96 Sebagai interpretasi, angka ini perlu dibandingkan dengan tabel nilai-nilai (dibaca: rho) dalamTabel 3. Dari tabel itu terlihat bahwa untuk n = 10, dengan derajat kesalahan 5 % diperoleh harga 0,648 dan untuk 1 % = 0,794. Hasil hitung ternyata lebih besar dari tabel Derajat kesalahan 5 %.. 0,96 > 0,648 Derajat kesalahan 1 %.. 0,96 > 0,794 Hal ini berarti menolak Ho dan menerima Ha. Kesimpulan :

Terdapat hubungan yang nyata/signifikan antara Motivasi (Xi) dengan Prestasi (Yi). Dalam hal ini hipotesis nolnya (Ho) adalah: tidak ada hubungan antara variabel Motivasi (Xi) dengan Prestasi (Yi). Sedangkan hipotesis alternatifnya (Ha) adalah:terdapat hubungan yang positif dan signifikan antara variabel Motivasi (Xi) dengan Prestasi (Yi). Dengan demikian hipotesis nol (Ho) ditolak dan hipotesis alternatif (Ha) diterima. Atau dengan kata lain bahwa variabel Motivasi mempunyai hubungan yang signifikan dengan Prestasi. Tabel 3: Tabel Nilai-nilai (RHO), Korelasi Spearman Rank N Derajat signifikansi 5% 5 6 7 8 9 10 12 14 1,000 0,886 0,786 0,738 0,683 0,648 0,591 0,544 1,000 0,929 0,881 0,833 0,794 0,777 0,715 1% 16 18 20 22 24 26 28 30 N Derajat signifikansi 5% 0,506 0,475 0,450 0,428 0,409 0,392 0,377 0,364 1% 0,665 0,625 0,591 0,562 0,537 0,515 0,496 0,478

Sumber: 1. Moh. Nazir, Ph.D. Metode Penelitian, Penerbit Ghalia Indonesia, Jakarta, 2003 2. Sugiono, Prof. Dr. Statistik Nonparametrik Untuk Penelitian, Penerbit CV ALFABETA Bandung, 2004 3. Suharto, Bahan Kuliah Statistik, Universitas Muhammadiyah Metro, 2004