ANALISIS REGRESI & KORELASI LINIER SEDERHANA

ANALI SI S REGRESI & KORELASI LI NI ER SEDERHANA

ANALISIS KORELASI
Analisis Korelasi : metode statistik yang digunakan untuk menentukan kuat tidaknya
(derajat) hubungan linier antara 2 variable atau lebih.
Analisa korelasi sederhana,meneliti hubungan dan bagaimana eratnya itu,tanpa
melihat bentuk hubungan. Jika kenaikan didalam suatu variable diikuti dengan kenaikan
variable yang lain,maka dapat dikatakan bahwa kedua variable tersebut mempunyai
korelasiyang positif.Tetapi jika kenaikan didalam suatu variable diikuti penurunan
variable yang lain maka kedua variable tersebut mempunyai korelasi negatif.Jika tidak
ada perubahan pada suatu variable ,meskipun variable yang lain mengalami perubahan
,maka kedua variable tersebut,tidak mempunyai hubungan (uncorrelated).
- Regresi adalah alat ukur untuk mengukur hubungan antar variable.
- Korelasi adalah merupakan alat untuk mengukur kekuatan (kuat / tidaknya) hubungan
antar variable.terdapat 3 jenis korelasi :
1. Korelasi Positif
Adalah korelasi dari 2 varriable yaitu apabila variable yang satu miningkat / menurun
maka yang lainnya juga akan ikut meningkat / menurun.
2. Korelasi Negatif
Adalah korelasi dari 2 variable yaitu apabila variable yang satu menurun / meningkat
maka yang lainya akan cenderung akan ikut menurun / meningkat.
3. Tidak Ada Korelasi
Adalah karelasi dari 2 variable yang tidak menunjukan hubungan.
NB : Variable adalah besaran yang bisa berubah-ubah.
Variable terikat adalah variable yang dipengaruhi oleh variable lain
Variable bebas adalah variable yang tidak dipengaruhi oleh variable lain.
- Koefisien korelasi adalah bilangan yang digunakan untuk mengukur keeratan hubungan
antar variable (kuat / lemah / tidak adaa) simbol (KK) -1<= kk <= 1
- Koefisien korelasi rank spearman adalah indeks / angka yang digunakan untuk mengukur
keeratan hubungan antar 2 variable yang datanya berbentuk data ordinal (data bertingkat /
rangking)

Pedoman Untuk Menginterpretasikan Koefisien Korelasi (r)
Interval Koefisien Tingkat Hubungan
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
Ukuran yang digunakan untuk mengukur derajat hubungan (korelasi) linier disebut
koefisien korelasi (correlation coefisient) yang dinyatakan dengan notasi r yang
sering dikenal dengan nama Koefisien Korelasi Pearson atau Product Moment
Coefficient of Correlation, dan secara sederhana dapat dittulis sbb:

Nilai r selalu terletak antara 1 dan + 1 (-1< r < 1)
Jika r =1, ini berarti ada korelasi positif sempurna antara X dan Y
r = -1 ini berarti ada korelasi negatif sempurna antara X dan Y.
r = 0, ini berarti tidak ada korelasi antara X dan Y

Berikut ini disajikan penerapan atau penggunaaan rumus untuk menetukan koefisien
korelasi anatara besarnya biaya iklan dan volume penjualan perusahaan A, dalam
Rp 1000,-.

Tabel . Prosedur penentuan koefisien korelasi pengeluaran biaya iklan dan
volume penjualan .
Biaya Iklan
(X)
Volume Penjualan
(Y)

X
2


Y
2


XY
1 2 3 4 5
5
7
10
12
15
20
25
30
40
50
60
65
70
80
92
100
25
49
100
144
225
400
625
900
1600
2.500
3.600
4.225
4.900
6.400
8.464
10.000
200
350
600
780
1.050
1.600
2.300
3.000
X = 124 Y = 557 2.468 41.689 9.880

N = 8
Pengujian Hipotesis Koefisien Korelasi

Untuk mengetahui signifikan tidaknya hubungan antara variabel yang sedang diselediki
perlu dilakukan uji hipotesis terhadap koefisien korelasi, dengan langkah langkah
sbb :

1). Perumusan Hipotesis
Jika diduga bahwa suatu variabel mempunyai hubungan yang positif
dengan variabel lain, maka rumusan hipotesisnya adalah

Ho : = 0 (tidak ada hubungan antara suatu variabel yang positif
dengan variabel lain)
Ha : > 0 (terdapat hubungan yang positif dan signifikan anatara suatu
suatu variabel dengan variabel lainnya)

2). Menentukan taraf nyata (level of signifance ) , misalnya 5%

3). Menetukan titik kritis (daerah penerimaan / penolakan Ho).
Titik kritis dicari dengan bantuan Tabel t (t distribution) Nilai t-tabel ditentukan
berdasarkan tingkat signifikansi () yang digunnakan dan derajat bebas atau degree
of freedom (df), dimana df = n-2, yang besarnya tergantung pada jumlah sampel (n).


Jika misalnya = 0,05 dan n=8 atau df = 8 - 2 = 6, maka t tabel nya adalah :
t tabel = t ; df = t 0,05;6 = 1,943

4). Membandingkan nilai t hitung dengan t-tabel.
Jika t-hitung < t-tabel, maka keputusannya adalah menerima hipotesis nol (Ho) .
Sebaliknya jika t hitung > t tabel , maka keputusannya adalah tolak Ho,
dan terima Ha.
Nilai t-hitung ditentukan dengan formula sbb:
5). Kesimpulan
Kesimpulan di buat berdasarkan keputusan yang diambil.
Jika keputusan menerima Ho , kesimpulannya adalah tidak ada korelasi
(hubungan) antara variabel satu dengan variabel lainnya. Sebaliknya jika tolak Ho
dan terima Ha, maka kesimpulannya adalah terdapat korelasi (hubungan) positif
yang signifikan antara variabel satu dengan variabel lainnya.
STANDAR DEVIASI

- Angka indeks yg digunakan utk mengukur ketepatan suatu penduga atau
mengukur jumlah variasi titik-titik observasi di sekitar garis regresi.
- Jika semua titik observasi berada tepat pada garis regresi, selisih taksir standar
sama dengan nol. Menunjukkan pencaran data.
- Selisih taksir standar berguna mengetahui batasan seberapa jauh melesetnya
perkiraan dalam meramal data.
- Rumus
-


Keterangan :
Sy/x = Selisih taksir standar
Sx/y = Selisih taksir standar
Y = nilai variabel sebenarnya
X = nilai variabel sebenarnya
Y = nilai variabel yang diperkirakan
X = nilai variabel yang diperkirakan
n = jumlah frekuensi

Tugas 1

Index Harga
(x)
74,5 82,8 90,4 108,7 119,5 135,0 150,5
Hasil
Penjualan (y)
81,2 75,5 59,6 48,8 37,5 25,0 15,5


A. Gambarkan diagram pencar
B. Cari koefisien korelasi (r) dan artinya
C. Cari koefisien determinasi dan artinya

Penyelesaian
A )












B )
X Y X Y XY x y x y xy

74,5 81,2 5550,25 6593,44 6049,4 -34,2 32,2 1169,64 1036.84 -1101,24

82,8 75,5 6855,84 5700,25 6251,4 -25,9 26,5 670,81 702,25 -686,35

90,4 59,6 8172,16 3552,16 5387,84 -18,3 10,6 334,89 112,36 -193,98

108,7 48,8 11815,69 2381,44 5304,56 0 -0,2 0 0,04 0

119,5 37,5 14280,25 1406,25 4481,25 10,8 -11,5 116,64 132,25 - 124,2

135,0 25,0 18225 625 3375 26,3 -25 691,69 625 -657,5

150,5 15,5 22650,25 240,25 2332,75 41,8 -34 1747,24 1156 -1421,2

761,4 343,1 87549,44 20498,79 33182,2 4730,91 3764,74 -4184,47







r (kk) = -0,991

artinya : korelasi tersebut merupakan korelasi negatif , karena apabila index harga meningkat
maka hasil penjualan akan cenderung ikut meningkat atau akan menurun.

C )
















kp = 0,982 (98,2%)
artinya pengaruh index harga terhadap hasil penjualan adalah 98,2%


KORELASI LINEAR BERGANDA
Korelasi dan Regresi Linear Berganda

Hubungan Linear lebih dari dua variabel.Pada hubungan linear lebih dari dua variabel ini,
perubahan satu variabel dipengaruhi oleh lebih dari satu variabel lain.
Secara fungsional Y = f (X1, X2, X3, ..., Xk) atau dalam persamaan matematis dituliskan
Y = a + b
1
X
1
+ b
2
X
2
+ b
3
X
3
+ ... + b
k
X
k

rumus :

Koefisien Korelasi Linier Berganda
Merupakan indeks atau angka yang diigunakan untuk mengukur keeratan hubungan antara 3
variabel/lebih. Koefisien korelasi berganda dirumuskan :
Ry
1.2
=

Keterangan :
- Ry
1.2
: koefisien linier 3 variabel
- ry
1
: koefisien korelasi y dan X
1

- ry
2
: koefisien korelasi variabel y dan X
2

- r
1.2
: koefisien korelasi variabel X
1
dan X
2

dimana :
ry
1
=

ry
2
=

r
1.2
=

Ry
1.2
=

Koefisien Korelasi Parsial

Koefisien korerasi parsial adalah indeks atau angka yang digunakan untuk mengukur
keeratan hubungan antara 2 variabel, jika variabel lainnya konstan, pada hubungan yang
melibatkan lebih dari 2 variabel. Koefisien korelasi parsial untuk 3 variabel dirumuskan sebagai
berikut :

1. Koefisien korelasi parsial antara Y dan X
1
apabila X
2
konstanta.
ry
1.2
=

2. Koefisien korelasi parsial antara Y dan X
2
apabila X
1
konstanta
ry
2.1
=

3. Koefisien korelasi parsial antara X
1
dan X
2
apabila Y konstanta
r
2.1Y
=



















Pengertian Regresi dan Korelasi
Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1886. Galton
menemukan adanya tendensi bahwa orang tua yang memiliki tubuh tinggi memiliki anak-anak
yang tinggi, orang tua yang pendek memiliki anak-anak yang pendek pula. Kendati demikian. Ia
mengamati bahwa ada kecenderungan tinggi anak cenderung bergerak menuju rata-rata tinggi
populasi secara keseluruhan. Dengan kata lain, ketinggian anak yang amat tinggi atau orang tua
yang amat pendek cenderung bergerak kearah rata-rata tinggi populasi. Inilah yang disebut
hokum Golton mengenai regresi universal. Dalam bahasa galton, ia menyebutkan sebagai regresi
menuju mediokritas.
Hukum regresi semesta (law of universal regression) dari Galton diperkuat oleh temannya Karl
Pearson, yang mengumpulkan lebih dari seribu catatan tinggi anggota kelompok keluarga. Ia
menemukan bahwa rata-rata tinggi anak laki-laki kelompok ayah (yang) pendek lebih besar dari
pada tinggi ayah mereka, jadi mundurnya (regressing) anak laki-laki yang tinggi maupun
yang pendek serupa kea rah rata-rata tinggi semua laki-laki. Dengan kata lain Galton, ini adalah
kemunduran kea rah sedang.
Secara umum, analisis regresi pada dasarnya adalah studi mengenai ketergantungan satu variabel
dependen (terikat) dengan satu atau lebih variabel independent (variabel penjelas/bebas), dengan
tujuan untuk mengestimasi dan/ atau memprediksi rata-rata populasi atau niiai rata-rata variabel
dependen berdasarkan nilai variabe! independen yang diketahui. Pusat perhatian adalah pada
upaya menjelaskan dan mengevalusi hubungan antara suatu variabel dengan satu atau lebih
variabel independen.
Hasil analisis regresi adalah berupa koefisien regresi untuk masing-masing variable independent.
Koefisien ini diperoleh dengan cara memprediksi nilai variable dependen dengan suatu
persamaan. Koefisien regresi dihitung dengan dua tujuan sekaligus : Pertama, meminimumkan
penyimpangan antara nilai actual dan nilai estimasi variable dependen; Kedua, mengoptimalkan
korelasi antara nilai actual dan nilai estimasi variable dependen berdasarkan data yang ada.
Teknik estimasi variable dependen yang melandasi analisis regresi disebut Ordinary Least
Squares (pangkat kuadrat terkecil biasa).
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran asosiasi /
hubungan (measures of association). Pengukuran asosiasi merupakan istilah umum yang
mengacu pada sekelompok teknik dalam statistik bivariat yang digunakan untuk mengukur
kekuatan hubungan antara dua variabel. Diantara sekian banyak teknik-teknik pengukuran
asosiasi, terdapat dua teknik korelasi yang sangat populer sampai sekarang, yaitu Korelasi
Pearson Product Moment dan Korelasi Rank Spearman. Selain kedua teknik tersebut, terdapat
pula teknik-teknik korelasi lain, seperti Kendal, Chi-Square, Phi Coefficient, Goodman-Kruskal,
Somer, dan Wilson.
Pengukuran asosiasi mengenakan nilai numerik untuk mengetahui tingkatan asosiasi atau
kekuatan hubungan antara variabel. Dua variabel dikatakan berasosiasi jika perilaku variabel
yang satu mempengaruhi variabel yang lain. Jika tidak terjadi pengaruh, maka kedua variabel
tersebut disebut independen.
Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variabel (kadang lebih dari
dua variabel) dengan skala-skala tertentu, misalnya Pearson data harus berskala interval atau
rasio; Spearman dan Kendal menggunakan skala ordinal; Chi Square menggunakan data
nominal. Kuat lemah hubungan diukur diantara jarak (range) 0 sampai dengan 1. Korelasi
mempunyai kemungkinan pengujian hipotesis dua arah (two tailed). Korelasi searah jika nilai
koefesien korelasi diketemukan positif; sebaliknya jika nilai koefesien korelasi negatif,
korelasi disebut tidak searah. Yang dimaksud dengan koefesien korelasi ialah suatu pengukuran
statistik kovariasi atau asosiasi antara dua variabel. Jika koefesien korelasi diketemukan tidak
sama dengan nol (0), maka terdapat ketergantungan antara dua variabel tersebut. Jika koefesien
korelasi diketemukan +1. maka hubungan tersebut disebut sebagai korelasi sempurna atau
hubungan linear sempurna dengan kemiringan (slope) positif.
Jika koefesien korelasi diketemukan -1. maka hubungan tersebut disebut sebagai korelasi
sempurna atau hubungan linear sempurna dengan kemiringan (slope) negatif.
Dalam korelasi sempurna tidak diperlukan lagi pengujian hipotesis, karena kedua variabel
mempunyai hubungan linear yang sempurna. Artinya variabel X mempengaruhi variabel Y
secara sempurna. Jika korelasi sama dengan nol (0), maka tidak terdapat hubungan antara kedua
variabel tersebut. Dalam korelasi sebenarnya tidak dikenal istilah variabel bebas dan variabel
tergantung. Biasanya dalam penghitungan digunakan simbol X untuk variabel pertama dan Y
untuk variabel kedua. Dalam contoh hubungan antara variabel remunerasi dengan kepuasan
kerja, maka variabel remunerasi merupakan variabel X dan kepuasan kerja merupakan variabel
Y.












Analisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-
akibat antara satu variabel dengan variabel(-variabel) yang lain. Variabel "penyebab" disebut
dengan bermacam-macam istilah: variabel penjelas, variabel eksplanatorik, variabel
independen, atau secara bebas, variabel X (karena seringkali digambarkan dalam grafik sebagai
absis, atau sumbu X). Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi,
variabel dependen, variabel terikat, atau variabel Y. Kedua variabel ini dapat merupakan
variabel acak (random), namun variabel yang dipengaruhi harus selalu variabel acak.
Analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya. Analisis
regresi dipakai secara luas untuk melakukan prediksi dan ramalan, dengan penggunaan yang
saling melengkapi dengan bidang pembelajaran mesin. Analisis ini juga digunakan untuk
memahami variabel bebas mana saja yang berhubungan dengan variabel terikat, dan untuk
mengetahui bentuk-bentuk hubungan tersebut.


















LANDASAN TEORI
2.1 Pengertian Analisis Regresi
Regresi pertama-tama dipergunakan sebagai konsep statistik pada tahun 1877 oleh Sir
Francis Galton yang melakukan studi tentang kecenderungan tinggi badan anak. Hasil
studi tersebut merupakan suatu kesimpulan bahwa kecenderungan tinggi badan anak
yang lahir terhadap orangtuanya adalah menurun (regress) mengarah pada tinggi
badan rata-rata penduduk. Istilah regresi pada mulanya bertujuan untuk membuat
perkiraan nilai satu variabel (tinggi badan anak) terhadap satu variabel yang lain
(tinggi badan orangtua). Selanjutnya berkembang menjadi alat untuk membuat
perkiraan nilai suatu variabel dengan menggunakan beberapa variabel lain yang
berhubungan dengan variabel tersebut.
Sehingga dalam ilmu statistika, teknik yang umum digunakan untuk
menganalisis hubungan antara dua atau lebih variabel adalah analisis regresi. Analisis
Regresi (regression analysis) merupakan suatu teknik untuk membangun persamaan
garis lurus dan menggunakan persamaan tersebut untuk membuat perkiraan
(prediction). Model matematis dalam menjelaskan hubungan antar variabel dalam
Universitas Sumatera Utara
analisis regresi menggunakan persamaan regresi, yaitu suatu persamaan matematis
yang mendefinisikan hubungan antara dua variabel.
2.2 Regresi Linier Sederhana
Regresi linier sederhana adalah regresi yang melibatkan hubungan antara satu variabel
tak bebas (Y) dihubungan dengan satu variabel bebas (X). Bentuk umum persamaan
regresi linier sederhana adalah:
y = a + bx
Dimana: y = variabel tak bebas
a = intersep (titik potong kurva terhadap sumbu y)
b = kemiringan (slope) kurva linear
x = variabel bebas
2.3 Regresi Linier Berganda
Regresi linier berganda adalah regresi yang melibatkan hubungan antara satu variabel
tak bebas (Y) dihubungan dengan dua atau lebih variabel bebas. Bentuk umum
persamaan regresi linier berganda adalah:
Y i = a 0 +a1 X1 +a 2 X 2 +a 3 X 3 ++ a n X n + i
dengan i = 1,2,n
Universitas Sumatera Utara
Dimana: Y i = variabel tak bebas ke-i
X i = variabel bebas ke-i
i
= kesalahan (error) pada pengamatan ke-i
Secara manual, persamaan regresi berganda dengan tiga variabel bebas masih
memungkinkan untuk dibangun seperti berikut ini:
i Y = n a 0 +a1 1 X + a2 2 X + a 3 3 X ++a n n X
i i X Y 1 = a 0 1 X + a1 2
1 X + a2 1 2 X X +a 3 1 3 X X
i i X Y 2 = a 0 2 X +a1 1 2 X X +a2 2
2 X +a 3 2 3 X X
i i X Y 3 = a 0 3 X +a1 1 3 X X +a2 2 3 X X +a 3
2
3 X
Dengan: X1 , X2, X 3 : variabel bebas
a 0 , a1 , a2, a 3 : koefisien regresi
2.4 Pengujian Regresi Linier Ganda
Setelah mendapat harga koefisien regresinya, maka ditentukan persamaan regresi:
Y = b 0 +b1 X1 +b 2 X 2 +b 3 X 3 diadakan pengujian regresi berganda dengan hipotesis;
H 0 : a1 = 0; a 2 = 0; a 3 = 0
Universitas Sumatera Utara
H1 : paling sedikit terdapat satu taksiran a i 0; i = 1,2,3
untuk itu dilakukan uji Statistik F, F hit =
Jkres n k 1
k
Jkreg
Kriteria pengujian, tolak H 0 : jika F hit > F tab dan terima H 0 : jika F hit < F tab dengan
dk= n-k-1.
2.5 Korelasi
Analisis korelasi adalah alat statistik yang dapat digunakan untuk mengetahui derajat
hubungan linear antara satu variabel dengan variabel yang lain.
2.6 Korelasi Ganda
Pengujian Korelasi Linier Berganda dilakukan untuk mengetahui seberapa besar
pengaruh dari ketiga faktor atau ketiga variabel bebas, maka dilakukan pengujian
koefisien determinasi (R2). Koefisien determinasi adalah suatu alat ukur yang
digunakan untuk mengetahui sejauh mana tingkat hubungan antar variabel X dan Y.
Koefisien ini dapat ditentukan berdasarkan hubungan antara dua macam variasi, yaitu
variasi variabel Y terhadap garis regresi ( Y ) dan variasi variabel Y terhadap
rataratanya
(Y )
Universitas Sumatera Utara
2.7 Korelasi Parsial
Perhitungan korelasi antar variabel bebas atau sering disebut dengan korelasi parsial,
kegunaannya sama seperti halnya koefisien determinasi, koefisien korelasi juga
digunakan sebagai pengukur hubungan dua variabel. Yaitu dengan menggunakan Karl
Pearson Method:
( )( )
2 ( )2 2 ( )2
E E E
=
N X X N Y Y
r N XY X Y
2.8 Pengujian Koefisien Regresi Linier Berganda
Pengujian kofisien regresi linier berganda dilakukan dengan menggunakan rumusan
hipotesis : H 0 : a1 = 0; a 2 = 0; a 3 = 0
H1 : salah satu dari a tidak sama dengan nol, a = 1,2,3
Dengan kriteria pengujian, tolak H 0 jika t hit > t tab dan terima H 0 jika t hit < t tab
t hit : S a1 =
( )(1 12 )
2
1
2
.12...
2
X r
S
i
k ; t hit (1) =
a1
1
S
a
( )
( )2
2
2
1
Y Y
R Y Y
E
E
=
Universitas Sumatera Utara








ANALISIS REGRESI DAN KORELASI (Materi VIII : Analisis Regresi dan
Korelasi Sederhana)
Pengertian : Analisis regresi merupakan salah satu analisis yang bertujuan untuk mengetahui pengaruh
suatu variabel terhadap variabel lain. Dalam analisis regresi, variabel yang mempengaruhi disebut
Independent Variable (variabel bebas) dan variabel yang dipengaruhi disebut Dependent Variable
(variabel terikat). Jika dalam persamaan regresi hanya terdapat satu variabel bebas dan satu variabel
terikat, maka disebut sebagai persamaan regresi sederhana, sedangkan jika variabel bebasnya lebih dari
satu, maka disebut sebagai persamaan regresi berganda.

Analisis Korelasi merupakan suatu analisis untuk mengetahui tingkat keeratan hubungan antara dua
variabel. Tingkat hubungan tersebut dapat dibagi menjadi tiga kriteria, yaitu mempunyai hubungan
positif, mempunyai hubungan negatif dan tidak mempunyai hubungan.
Analisis Regresi Sederhana : digunakan untuk mengetahui pengaruh dari variabel bebas terhadap
variabel terikat atau dengan kata lain untuk mengetahui seberapa jauh perubahan variabel bebas dalam
mempengaruhi variabel terikat. Dalam analisis regresi sederhana, pengaruh satu variabel bebas
terhadap variabel terikat dapat dibuat persamaan sebagai berikut : Y = a + b X. Keterangan : Y : Variabel
terikat (Dependent Variable); X : Variabel bebas (Independent Variable); a : Konstanta; dan b : Koefisien
Regresi. Untuk mencari persamaan garis regresi dapat digunakan berbagai pendekatan (rumus),
sehingga nilai konstanta (a) dan nilai koefisien regresi (b) dapat dicari dengan metode sebagai berikut :
a = *(Y . X2) (X . XY)+ / *(N . X2) (X)2+ atau a = (Y/N) b (X/N)
b = *N(XY) (X . Y)+ / *(N . X2) (X)2+

Contoh :
Berdasarkan hasil pengambilan sampel secara acak tentang pengaruh lamanya belajar (X) terhadap nilai
ujian (Y) adalah sebagai berikut :
(nilai ujian) X (lama belajar) X
2
XY
40 4 16 160
60 6 36 360
50 7 49 350
70 10 100 700
90 13 169 1.170
Y = 310 X = 40 X
2
= 370 XY = 2.740
Dengan menggunakan rumus di atas, nilai a dan b akan diperoleh sebagai berikut :
a = *(Y . X2) (X . XY)+ / *(N . X2) (X)2+
a = [(310 . 370) (40 . 2.740)] / [(5 . 370) 402] = 20,4

b = *N(XY) (X . Y)+ / *(N . X2) (X)2+
b = [(5 . 2.740) (40 . 310] / [(5 . 370) 402] = 5,4

Sehingga persamaan regresi sederhana adalah Y = 20,4 + 5,2 X
Berdasarkan hasil penghitungan dan persamaan regresi sederhana tersebut di atas, maka dapat
diketahui bahwa : 1) Lamanya belajar mempunyai pengaruh positif (koefisien regresi (b) = 5,2) terhadap
nilai ujian, artinya jika semakin lama dalam belajar maka akan semakin baik atau tinggi nilai ujiannya; 2)
Nilai konstanta adalah sebesar 20,4, artinya jika tidak belajar atau lama belajar sama dengan nol, maka
nilai ujian adalah sebesar 20,4 dengan asumsi variabel-variabel lain yang dapat mempengaruhi dianggap
tetap.
Analisis Korelasi (r) : digunakan untuk mengukur tinggi redahnya derajat hubungan antar variabel yang
diteliti. Tinggi rendahnya derajat keeratan tersebut dapat dilihat dari koefisien korelasinya. Koefisien
korelasi yang mendekati angka + 1 berarti terjadi hubungan positif yang erat, bila mendekati angka 1
berarti terjadi hubungan negatif yang erat. Sedangkan koefisien korelasi mendekati angka 0 (nol) berarti
hubungan kedua variabel adalah lemah atau tidak erat. Dengan demikian nilai koefisien korelasi adalah
1 r + 1. Untuk koefisien korelasi sama dengan 1 atau + 1 berarti hubungan kedua variabel adalah
sangat erat atau sangat sempurna dan hal ini sangat jarang terjadi dalam data riil. Untuk mencari nilai
koefisen korelasi (r) dapat digunakan rumus sebagai berikut : r = *(N . XY) (X . Y)+ / ,*(N . X2)
(X)2+ . *(N . Y2) (Y)2+-

Contoh :
Sampel yang diambil secara acak dari 5 mahasiswa, didapat data nilai Statistik dan Matematika sebagai
berikut :
Sampel X (statistik) Y (matematika) XY X
2
Y
2

1 2 3 6 4 9
2 5 4 20 25 16
3 3 4 12 9 16
4 7 8 56 49 64
5 8 9 72 64 81
Jumlah 25 28 166 151 186
r = *(N . XY) (X . Y)+ / ,*(N . X2) (X)2+ . *(N . Y2) (Y)2+-
r = [(5 . 166) (25 . 28) / ,*(5 . 151) (25)2] . [(5 . 186) (28)2]} = 0,94

Nilai koefisien korelasi sebesar 0,94 atau 94 % menggambarkan bahwa antara nilai statistik dan
matematika mempunyai hubungan positif dan hubungannya erat, yaitu jika mahasiswa mempunyai nilai
statistiknya baik maka nilai matematikanya juga akan baik dan sebaliknya jika nilai statistik jelek maka
nilai matematikanya juga jelek.

ANALISIS KORELASI PRODUCT MOMENT PEARSON
a. Pengertian
Korelasi adalah istilah statistik yang menyatakan derajat hubungan linier (searah bukan
timbal balik) antara dua variabel atau lebih.
b. Macam-macam Teknik Korelasi
Product Moment Pearson : Kedua variabelnya berskala interval
Rank Spearman : Kedua variabelnya berskala ordinal
Point Serial : Satu berskala nominal sebenarnya dan satu berskala interval
Biserial : Satu berskala nominal buatan dan satu berskala interval
Koefisien kontingensi : Kedua varibelnya berskala nominal
c. Kegunaan Korelasi Product Moment Pearson
Untuk menyatakan ada atau tidaknya hubungan antara variabel X dengan variabel Y.
Untuk menyatakan besarnya sumbangan variabel satu terhadap yang lainnya yang
dinyatakan dalam persen.
d. Asumsi
Data berdistribusi Normal
Variabel yang dihubungkan mempunyai data linear.
Variabel yang dihubungkan mempunyai data yang dipilih secara acak.
Variabel yang dihubungkan mempunyai pasangan yang sama dari subyek yang sama pula
(variasi skor variabel yang dihubungkan harus sama).
Variabel yang dihubungkan mempunyai data interval atau rasio.
e. Nilai r
Nilai r terbesar adalah +1 dan r terkecil adalah 1. r = +1 menunjukkan hubungan positip
sempurna, sedangkan r = -1 menunjukkan hubungan negatip sempurna.
r tidak mempunyai satuan atau dimensi. Tanda + atau - hanya menunjukkan arah
hubungan. Intrepretasi nilai r adalah sebagai berikut:
r Interpretasi
0
0,01-0,20
0,21-0,40
0,41-0,60
0,61-0,80
0,81-0,99
1
Tidak berkorelasi
Korelasi Sangat rendah
Rendah
Agak rendah
Cukup
Tinggi
Sangat tinggi
f. Langkah-langkah Menghitung Koefisien Korelasi Parsial
1. Tulis Ho dan Ha dalam bentuk kalimat.
2. Tulis Ho dan Ha dalam bentuk statistik.
3. Buat tabel penolong sebagai berikut:
No. resp. X Y XY X2 Y2
4. Cari r hitung.
r XY = ( ) ( )



n X 2 X 2 n Y 2 Y 2
n XY X Y
5. Tentukan taraf signifikansinya ()
6. Cari r tabel dengan dk = n-2
7. Tentukan kriteria pengujian
Jika -rtabelrhitung+rtabel, maka Ho diterima
8. Bandingkan thitung dengan ttabel
9. Buatlah kesimpulan.
Contoh:
1. Tulis Ho dan Ha dalam bentuk kalimat.
Ho : Tidak terdapat hubungan yang positip dan signifikan antara variabel Biaya Promosi
dengan Nilai Penjualan.
Ha : Terdapat hubungan yang positip dan signifikan antara variabel Biaya Promosi
dengan Nilai Penjualan.
2. Tulis Ho dan Ha dalam bentuk statistik.
Ho : r = 0.
Ha : r 0.
3. Buat tabel penolong sebagai berikut:
Nilai Penjualan
Y
Biaya Promosi
X XY X2 Y2
64
61
84
70
88
92
72
77
20
16
34
23
27
32
18
22
1280
976
2856
1610
2376
2944
1296
1694
400
256
1156
529
729
1024
324
484
4096
3721
7056
4900
7744
8464
5184
5929
Y = 608 X = 192 XY = 15032 X2 = 4902 Y2 = 47094
4. Cari r hitung.
r XY = ( ) ( )



n X 2 X 2 n Y 2 Y 2
n XY X Y
=
8(4.902) (192)2 8(47.094) (608)2
8(15.032) (192)(608)


= 0,86
5. Taraf signifikansi () = 0,05.
6. r tabel dengan dk = 8-2=6 adalah 0,707
7. Tentukan kriteria pengujian
Jika -rtabelrhitung+rtabel, maka Ho diterima
8. Bandingkan rhitung dengan rtabel
r hitung (0,86) > r tabel (0,707), jadi Ho ditolak.
9. Kesimpulan.
Terdapat hubungan yang positip dan signifikan antara variabel Biaya Promosi dengan
Nilai Penjualan
Referensi:
Mason, R.D & Douglas A. Lind. 1996. Teknik Statistik Untuk Bisnis dan Ekonomi. Penerbit
Erlangga, Jakarta.
Usman, H. dan R. Purnomo Setiady Akbar. 2000. Pengantar Statistika. Jakarta : Bumi
Aksara.

ANALISIS KORELASI SEDERHANA
22.28 Duwi Consultant
Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk
mengetahui keeratan hubungan antara dua variabel dan untuk mengetahui arah
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:
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:
Seorang mahasiswa bernama Andi melakukan penelitian dengan
menggunakan alat ukur skala. Andi ingin mengetahui apakah ada hubungan
antara kecerdasan dengan prestasi belajar pada siswa SMU Negeri 1 Yogyakarta,
dengan ini Andi 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 Kecerdasan Prestasi Belajar
1 33 58
2 32 52
3 21 48
4 34 49
5 34 52
6 35 57
7 32 55
8 21 50
9 21 48
10 35 54
11 36 56
12 21 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 Negeri 1 Yogyakarta
dan sampel yang diambil dari kasus di atas adalah 12 siswa SMU Negeri 1
Yogyakarta, jadi apakah hubungan yang terjadi atau kesimpulan yang diambil
dapat berlaku untuk populasi yaitu seluruh siswa SMU Negeri 1 Yogyakarta.

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
2. Menentukan tingkat signifikansi
Pengujian menggunakan uji dua sisi dengan tingkat signifikansi o = 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
Ho diterima 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 1 Yogyakarta.

















KORELASI
OLEH: JONATHAN SARWONO



4.1 Mengenal Korelasi
Apa sebenarnya korelasi itu? Korelasi merupakan teknik analisis yang termasuk dalam salah
satu teknik pengukuran asosiasi / hubungan (measures of association). Pengukuran asosiasi
merupakan istilah umum yang mengacu pada sekelompok teknik dalam statistik bivariat yang
digunakan untuk mengukur kekuatan hubungan antara dua variabel. Diantara sekian banyak
teknik-teknik pengukuran asosiasi, terdapat dua teknik korelasi yang sangat populer sampai
sekarang, yaitu Korelasi Pearson Product Moment dan Korelasi Rank Spearman. Pengukuran
asosiasi mengenakan nilai numerik untuk mengetahui tingkatan asosiasi atau kekuatan hubungan
antara variabel. Dua variabel dikatakan berasosiasi jika perilaku variabel yang satu
mempengaruhi variabel yang lain. Jika tidak terjadi pengaruh, maka kedua variabel tersebut
disebut independen.
Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variabel (kadang lebih dari
dua variabel) dengan skala-skala tertentu, misalnya Pearson data harus berskala interval atau
rasio; Spearman dan Kendal menggunakan skala ordinal. Kuat lemah hubungan diukur
menggunakan jarak (range) 0 sampai dengan 1. Korelasi mempunyai kemungkinan pengujian
hipotesis dua arah (two tailed). Korelasi searah jika nilai koefesien korelasi diketemukan positif;
sebaliknya jika nilai koefesien korelasi negatif, korelasi disebut tidak searah. Yang dimaksud
dengan koefesien korelasi ialah suatu pengukuran statistik kovariasi atau asosiasi antara dua
variabel. Jika koefesien korelasi diketemukan tidak sama dengan nol (0), maka terdapat
hubungan antara dua variabel tersebut. Jika koefesien korelasi diketemukan +1. maka hubungan
tersebut disebut sebagai korelasi sempurna atau hubungan linear sempurna dengan kemiringan
(slope) positif. Sebaliknya. jika koefesien korelasi diketemukan -1. maka hubungan tersebut
disebut sebagai korelasi sempurna atau hubungan linear sempurna dengan kemiringan (slope)
negatif. Dalam korelasi sempurna tidak diperlukan lagi pengujian hipotesis mengenai
signifikansi antar variabel yang dikorelasikan, karena kedua variabel mempunyai hubungan
linear yang sempurna. Artinya variabel X mempunyai hubungan sangat kuat dengan variabel Y.
Jika korelasi sama dengan nol (0), maka tidak terdapat hubungan antara kedua variabel tersebut.

4.2 Kegunaan Korelasi
Pengukuran asosiasi berguna untuk mengukur kekuatan (strength) dan arah hubungan hubungan
antar dua variabel atau lebih. Contoh: mengukur hubungan antara variabel: 1) Motivasi kerja
dengan produktivitas; 2)Kualitas layanan dengan kepuasan pelangga; 3)Tingkat inflasi dengan
IHSG
Pengukuran ini hubungan antara dua variabel untuk masing-masing kasus akan menghasilkan
keputusan, diantaranya: a) Hubungan kedua variabel tidak ada; b) Hubungan kedua variabel
lemah; c) Hubungan kedua variabel cukup kuat; d) Hubungan kedua variabel kuat; dan e)
Hubungan kedua variabel sangat kuat.Penentuan tersebut didasarkan pada kriteria yang
menyebutkan jika hubungan mendekati 1, maka hubungan semakin kuat; sebaliknya jika
hubungan mendekati 0, maka hubungan semakin lemah
4.3 Konsep Linieritas dan Korelasi
Terdapat hubungan erat antara pengertian korelasi dan linieritas. Korelasi Pearson, misalnya,
menunjukkan adanya kekuatan hubungan linier dalam dua variabel. Sekalipun demikian jika
asumsi normalitas salah maka nilai korelasi tidak akan memadai untuk membuktikan adanya
hubungan linieritas. Linieritas artinya asumsi adanya hubungan dalam bentuk garis lurus antara
variabel. Linearitas antara dua variabel dapat dinilai melalui observasi scatterplots bivariat. Jika
kedua variabel berdistribusi normal dan behubungan secara linier, maka scatterplot berbentuk
oval; jika tidak berdistribusi normal scatterplot tidak berbentuk oval.
Dalam praktinya kadang data yang digunakan akan menghasilkan korelasi tinggi tetapi hubungan
tidak linier; atau sebaliknya korelasi rendah tetapi hubungan linier. Dengan demikian agar
linieritas hubungan dipenuhi, maka data yang digunakan harus mempunyai distribusi normal.
Dengan kata lain, koefesien korelasi hanya merupakan statistik ringkasan sehingga tidak dapat
digunakan sebagai sarana untuk memeriksa data secara individual.

4.4 Asumsi Asumsi Dalam Korelasi
Asumsi asumsi dasar korelasi diantaranya ialah: Kedua variabel bersifat independen satu
dengan lainnya, artinya masing-masing variabel berdiri sendiri dan tidak tergantung satu dengan
lainnya. Tidak ada istilah variabel bebas dan variabel tergantung. Data untuk kedua variabel
berdistribusi normal. Data yang mempunyai distribusi normal artinya data yang distribusinya
simetris sempurna. Jika digunakan bahasa umum disebut berbentuk kurva bel.
4.5 Karakteristik Korelasi
Korelasi mempunyai karakteristik-karakteristik diantaranya:
Kisaran Korelasi: Kisaran (range) korelasi mulai dari 0 sampai dengan 1. Korelasi dapat positif
dan dapat pula negatif.
Korelasi Sama Dengan Nol: Korelasi sama dengan 0 mempunyai arti tidak ada hubungan antara
dua variabel.
Korelasi Sama Dengan Satu: Korelasi sama dengan + 1 artinya kedua variabel mempunyai
hubungan linier sempurna (membentuk garis lurus) positif. Korelasi sempurna seperti ini
mempunyai makna jika nilai X naik, maka Y juga naik.
Korelasi sama dengan minus satu: artinya kedua variabel mempunyai hubungan linier sempurna
(membentuk garis lurus) negatif. Korelasi sempurna seperti ini mempunyai makna jika nilai X
naik, maka Y turun dan berlaku sebaliknya.

4.6 Pengertian Koefesien Korelasi
Koefesien korelasi ialah pengukuran statistik kovarian atau asosiasi antara dua variabel.
Besarnya koefesien korelasi berkisar antara +1 s/d -1. Koefesien korelasi menunjukkan kekuatan
(strength) hubungan linear dan arah hubungan dua variabel acak. Jika koefesien korelasi positif,
maka kedua variabel mempunyai hubungan searah. Artinya jika nilai variabel X tinggi, maka
nilai variabel Y akan tinggi pula. Sebaliknya, jika koefesien korelasi negatif, maka kedua
variabel mempunyai hubungan terbalik. Artinya jika nilai variabel X tinggi, maka nilai variabel
Y akan menjadi rendah dan berlaku sebaliknya. Untuk memudahkan melakukan interpretasi
mengenai kekuatan hubungan antara dua variabel penulis memberikan kriteria sebagai berikut
(Sarwono:2006):
- 0 : Tidak ada korelasi antara dua variabel
- >0 0,25: Korelasi sangat lemah
- >0,25 0,5: Korelasi cukup
- >0,5 0,75: Korelasi kuat
- >0,75 0,99: Korelasi sangat kuat
- 1: Korelasi sempurna

4.7 Signifikansi / Probabilitas / Alpha
Apa sebenarnya signifikansi itu? Dalam bahasa Inggris umum, kata, "significant" mempunyai
makna penting; sedang dalam pengertian statistik kata tersebut mempunyai makna benar tidak
didasarkan secara kebetulan. Hasil riset dapat benar tapi tidak penting. Signifikansi / probabilitas
/ memberikan gambaran mengenai bagaimana hasil riset itu mempunyai kesempatan untuk
benar. Jika kita memilih signifikansi sebesar 0,01, maka artinya kita menentukan hasil riset nanti
mempunyai kesempatan untuk benar sebesar 99% dan untuk salah sebesar 1%. 99% itu disebut
tingkat kepentingan (confidence interval); sedang 1% disebut toleransi kesalahan.
Secara umum kita menggunakan angka signifikansi sebesar 0,01; 0,05 dan 0,1. Pertimbangan
penggunaan angka tersebut didasarkan pada tingkat kepercayaan (confidence interval) yang
diinginkan oleh peneliti. Angka signifikansi sebesar 0,01 mempunyai pengertian bahwa tingkat
kepercayaan atau bahasa umumnya keinginan kita untuk memperoleh kebenaran dalam riset kita
adalah sebesar 99%. Jika angka signifikansi sebesar 0,05, maka tingkat kepercayaan adalah
sebesar 95%. Jika angka signifikansi sebesar 0,1, maka tingkat kepercayaan adalah sebesar 90%.
Pertimbangan lain ialah menyangkut jumlah data (sample) yang akan digunakan dalam riset.
Semakin kecil angka signifikansi, maka ukuran sample akan semakin besar. Sebaliknya semakin
besar angka signifikansi, maka ukuran sample akan semakin kecil. Unutuk memperoleh angka
signifikansi yang baik, biasanya diperlukan ukuran sample yang besar. Untuk pengujian dalam
IBM SPSS digunakan kriteria sebagai berikut:
- Jika angka signifikansi hasil riset < 0,05, maka hubungan kedua variabel signifikan.
- Jika angka signifikansi hasil riset > 0,05, maka hubungan kedua variabel tidak signifikan

4.8 Membuat Interpretasi Dalam Korelasi
Ada tiga penafsiran hasil analisis korelasi, meliputi: pertama, melihat kekuatan hubungan dua
variabel; kedua, melihat signifikansi hubungan; dan ketiga, melihat arah hubungan.
Untuk melakukan interpretasi kekuatan hubungan antara dua variabel dilakukan dengan melihat
angka koefesien korelasi hasil perhitungan dengan menggunakan kriteria sbb: a) Jika angka
koefesien korelasi menunjukkan 0, maka kedua variabel tidak mempunyai hubungan; b) Jika
angka koefesien korelasi mendekati 1, maka kedua variabel mempunyai hubungan semakin kuat;
c) Jika angka koefesien korelasi mendekati 0, maka kedua variabel mempunyai hubungan
semakin lemah; d) Jika angka koefesien korelasi sama dengan 1, maka kedua variabel
mempunyai hubungan linier sempurna positif; e)Jika angka koefesien korelasi sama dengan -1,
maka kedua variabel mempunyai hubungan linier sempurna negatif.
Interpretasi berikutnya melihat signifikansi hubungan dua variabel dengan didasarkan pada
angka signifikansi yang dihasilkan dari penghitungan dengan ketentuan sebagaimana sudah
dibahas di atas. Interpretasi ini akan membuktikan apakah hubungan kedua variabel tersebut
signifikan atau tidak.
Interpretasi ketiga melihat arah korelasi. Dalam korelasi ada dua arah korelasi, yaitu searah dan
tidak searah. Pada IBM SPSS hal ini ditandai dengan pesan two tailed. Arah korelasi dilihat dari
angka koefesien korelasi. Jika koefesien korelasi positif, maka hubungan kedua variabel searah.
Searah artinya jika variabel X nilainya tinggi, maka variabel Y juga tinggi. Jika koefesien
korelasi negatif, maka hubungan kedua variabel tidak searah. Tidak searah artinya jika variabel
X nilainya tinggi, maka variabel Y akan rendah.
Dalam kasus, misalnya hubungan antara kepuasan pelanggan dan loyalitas sebesar 0,86 dengan
angka signifikansi sebesar 0 akan mempunyai makna bahwa hubungan antara variabel kepuasan
pelanggan dan loyalitas sangat kuat, signifikan dan searah. Sebaliknya dalam kasus hubungan
antara variabel harga dengan minat beli sebesar -0,86, dengan angka signifikansi sebesar 0;
maka hubungan kedua variabel sangat kuat, signifikan dan tidak searah.

4.9 Menguji Hipotesis Dalam Korelasi
Pengujian hipotesis uintuk korelasi digunakan uji T. Rumusnya sebagai berikut:

Pengambilan keputusan menggunakan angka pembanding t tabel dengan kriteria sebagai
berikut:
- Jika t hitung > t table H0 ditolak; H1 diterima
- Jika t hitung < t table H0 diterima; H1 ditolak
Kriteria ini hanya berlaku untuk nilai t hitung yang positif (+).
Contoh: Hubungan antara kepuasan kerja dengan loyalitas pegawai
Hipotesis berbunyi sbb:
H0: Tidak ada hubungan antara kepuasan kerja dengan loyalitas pegawai
H1: Ada hubungan antara kepuasan kerja dengan loyalitas pegawai
Sebagai contoh hasil t hitung sebesar 3,6 . T table dengan ketentuan = 0,05 Degree of freedom:
n-2, dan n = 30 diketemukan sebesar: 2,048. Didasarkan ketentuan di atas, maka t hitung 3,6 > t
table 2,048. Dengan demikian H0 ditolak dan H1 diterima. Artinya ada hubungan antara
kepuasan kerja dengan loyalitas pegawai
Cara pengujian berikutnya ialah menggunakan kurva. Penggunaan kurva bermanfaat sekali jika
nilai t hitung negatif (-). Jika nilai t hitung negatif (-) maka pengujian dilakukan disisi kiri;
sedang nilai t hitung positif (+),maka pengujian dilakukan disisi kanan. Kurva pengujian akan
seperti dibawah ini:


Untuk melakukan pengujian hipotesis dilakukan disisi kiri kurva jika t hitung diketemukan
negative (-). Bilangan negatif t tidak bermakna minus (hitungan) tetapi mempunyai makna
bahwa pengujian hipotesis dilakukan di sisi kiri. Caranya ialah sebagai contoh hasil t hitung
sebesar -3,6 . T table dengan ketentuan = 0,05 Degree of freedom: n-2, dan n = 30 diketemukan
sebesar: 2,048. Letakkan nilai-nilai tersebut di kurva seperti di bawah ini:

Kurva di atas menunjukkan bahwa t hitung jatuh di area H0 ditolak; dengan demikian H1
diterima. Oleh karena itu kesimpulannya ialah ada hubungan antara kepuasan kerja dengan
loyalitas pegawai.
Jika nilai t hitung positif (+),maka pengujian dilakukan disisi kanan. Kurva pengujian akan
seperti dibawah ini:
Sebagai contoh hasil t hitung sebesar 3,6 . T table dengan ketentuan = 0,05 Degree of freedom:
n-2, dan n = 30 diketemukan sebesar: 2,048. Letakkan nilai-nilai tersebut di kurva seperti di
bawah ini:

Kurva di atas menunjukkan bahwa t hitung jatuh di area H0 ditolak; dengan demikian H1
diterima. Oleh karena itu kesimpulannya ialah ada hubungan antara kepuasan kerja dengan
loyalitas pegawai.
Disamping menggunakan cara diatas, cara ketiga ialah menggunakan angka signifikansi.
Caranya sebagai berikut:
Hipotesis berbunyi sbb:
H0: Tidak ada hubungan signifikan antara kepuasan kerja dengan loyalitas pegawai
H1: Ada hubungan signifikan antara kepuasan kerja dengan loyalitas pegawai
Sebagai contoh angka signifikansi hasil perhitungan sebesar 0,03. Bandingkan dengan angka
signifikansi sebesar 0,05. Keputusan menggunakan kriteria sbb:
Jika angka signifikansi hasil riset < 0,05, maka H0 ditolak.
Jika angka signifikansi hasil riset > 0,05, maka H0 diterima
Didasarkan ketentuan diatas maka signifikansi hitung sebesar 0,03 < 0,05, maka H0 ditolak dan
H1 diterima. Artinya Ada hubungan signifikan antara kepuasan kerja dengan loyalitas pegawai.
Dalam IBM SPSS pengujian dilakukan dengan menggunakan angka signifikansi. Oleh karena itu
dalam contoh analisis pada bab berikutnya akan hanya menggunakan angka signifikansi.

4.10 Perbedaan Dasar Antara Korelasi dan Kausalitas
Ada perbedaan mendasar antara korelasi dan kausalitas. Jika kedua variabel dikatakan
berkorelasi, maka kita tergoda untuk mengatakan bahwa variabel yang satu mempengaruhi
variabel yang lain atau dengan kata lain terdapat hubungan kausalitas. Kenyataannya belum
tentu. Hubungan kausalitas terjadi jika variabel X mempengaruhi Y. Jika kedua variabel
diperlakukan secara simetris (nilai pengukuran tetap sama seandainya peranan variabel-variabel
tersebut ditukar) maka meski kedua variabel berkorelasi tidak dapat dikatakan mempunyai
hubungan kausalitas. Dengan demikian, jika terdapat dua variabel yang berkorelasi, tidak harus
terdapat hubungan kausalitas.
Terdapat dictum yang mengatakan correlation does not imply causation. Artinya korelasi tidak
dapat digunakan secara valid untuk melihat adanya hubungan kausalitas dalam variabel-
variabel. Dalam korelasi aspek-aspek yang melandasi terdapatnya hubungan antar variabel
mungkin tidak diketahui atau tidak langsung. Oleh karena itu dengan menetapkan korelasi dalam
hubungannya dengan variabel-variabel yang diteliti tidak akan memberikan persyaratan yang
memadai untuk menetapkan hubungan kausalitas kedalam variabel-variabel tersebut. Sekalipun
demikian bukan berarti bahwa korelasi tidak dapat digunakan sebagai indikasi adanya hubungan
kausalitas antar variabel. Korelasi dapat digunakan sebagai salah satu bukti adanya kemungkinan
terdapatnya hubungan kausalitas tetapi tidak dapat memberikan indikasi hubungan kausalitas
seperti apa jika memang itu terjadi dalam variabel-variabel yang diteliti, misalnya model
recursive, dimana X mempengaruhi Y atau non-recursive, misalnya X mempengaruhi Y dan Y
mempengaruhi X. Dengan untuk mengidentifikasi hubungan kausalitas tidak dapat begitu saja
dilihat dengan kaca mata korelasi tetapi sebaiknya menggunakan model-model yang lebih tepat,
misalnya regresi, analisis jalur atau structural equation modeling.

4.11 Kisaran Korelasi
Kisaran (range) korelasi mulai dari 0 sampai dengan 1. Korelasi dapat positif dan dapat pula
negatif.
Korelasi Sama Dengan Nol
Korelasi sama dengan 0 mempunyai arti tidak ada hubungan antara dua variabel. Jika dilihat dari
sebaran data, maka gambarnya akan seperti terlihat di bawah ini:


Gambar 4.1 Korelasi dimana r = 0


Korelasi Sama Dengan Satu
Korelasi sama dengan + 1 artinya kedua variabel mempunyai hubungan linier sempurna
(membentuk garis lurus) positif. Korelasi sempurna seperti ini mempunyai makna jika nilai X
naik, maka Y juga naik seperti pada gambar yang tertera di bawah ini:


Gambar 4.2 Korelasi dimana r = + 1
Korelasi Sama Dengan Minus Satu
Korelasi sama dengan -1 artinya kedua variabel mempunyai hubungan linier sempurna
(membentuk garis lurus) negatif. Korelasi sempurna seperti ini mempunyai makna jika nilai X
naik, maka Y turun dan sebaliknya seperti pada gambar yang tertera di bawah ini:

Gambar 4.3 Korelasi dimana r = - 1
4.12 Korelasi Pearson
4.12.1 Pengertian
Korelasi Pearson Product Moment, yang merupakan pengukuran parametrik, akan menghasilkan
koefesien korelasi yang berfungsi untuk mengukur kekuatan hubungan linier antara dua variable.
Jika hubungan dua variable tidak linier, maka koefesien korelasi Pearson tersebut tidak
mencerminkan kekuatan hubungan dua variable yang sedang diteliti; meski kedua variable
mempunyai hubungan kuat. Simbol untuk korelasi Pearson adalah "p" jika diukur dalam
populasi dan "r" jika diukur dalam sampel. Korelasi Pearson mempunyai jarak antara -1 sampai
dengan + 1. Jika koefesien korelasi adalah -1, maka kedua variable yang diteliti mempunyai
hubungan linier sempurna negatif. Jika koefesien korelasi adalah +1, maka kedua variable yang
diteliti mempunyai hubungan linier sempurna positif. Jika koefesien korelasi menunjukkan
angka 0, maka tidak terdapat hubungan antara dua variable yang dikaji. Jika hubungan dua
variable linier sempurna, maka sebaran data tersebut akan membentuk garis lurus. Sekalipun
demikian pada kenyataannya kita akan sulit menemukan data yang dapat membentuk garis linier
sempurna.
Data yang digunakan dalam Korelasi Pearson sebaiknya memenuhi persyaratan, diantaranya
ialah: a) Berskala interval / rasio, b) Variabel X dan Y harus bersifat independen satu dengan
lainnya, c) Variabel harus kuantitatif simetris. Asumsi dalam Korelasi Pearson, diantaranya
ialah: a) Terdapat hubungan linier antara X dan Y, b)Data berdistribusi normal, c) Variabel X
dan Y simetris. Variabel X tidak berfungsi sebagai variabel bebas dan Y sebagai variable
tergantung, d)Sampling representative, c)Varian kedua variable sama
4.12.2 Prosedur Korelasi Pearson
Pada kasus ini kita akan melihat hubungan antara variabel jumlah kunjungan ke titik layanan
penyelenggara telpon selular X dengan tingkat kepuasan. Untuk melihat hubungan tersebut kita
membuat langkah-langkah seperti di bawah ini:
Pertama: siapkan data

Kedua: membuat desain variabelnya

Ketiga : memasukkan data mulai nomor 1 sampai 11 seperti di bawah ini

Keempat: melakukan prosedur analisis seperti di bawah ini:
- Analyse>Correlate>Pilih sub menu Bivariate
- Pindahkan variablel kunjungan dan kepuasan ke kolom Variable
- Correlation Coefficient: pilih Pearson
- Test of Significance: pilih Two Tailed > Cek Flag significant correlation
- Option: Missing Values, pilihan: Exclude cases pairwise, tekan Continue
- Klik Ok
Setelah diproses, maka keluaran (output) hasil analisis sebagai berikut:

Kelima: membuat interpretasi
Cara melakukan interpretasi sebagai berikut:
Pertama: Melihat kekuatan hubungan antara variable produk dan penjualan. Angka didapatkan
dengan membuat tabulasi silang antara Produk dan Penjualan seperti di bawah ini:


Dari table di atas, terlihat angka koefesien korelasi Pearson sebesar .881**. Artinya besar
korelasi antara variable jumlah kunjungan dan tingkat kepuasan ialah sebesar 0,881 atau sangat
kuat karena mendekati angka 1. Tanda dua bintang (**) artinya korelasi signifikan pada angka
signifikansi sebesar 0,01 dan mempunyai kemungkinan dua arah (2-tailed). (Catatan: Jika tidak
ada tanda dua bintang, maka secara otomatis signifikansinya sebesar 0,05)
Kedua: Melihat signifikansi hubungan kedua variable. Angkanya ialah sebagai berikut:


Didasarkan pada kriteria yang ada Hubungan kedua variable signifikan karena angka
signifikansi sebesar 0,000 < 0,001. (Jika tidak ada tanda dua bintang, maka secara otomatis
signifikansinya sebesar 0,05). Hubungan kedua variable mempunyai dua arah (2-tailed), yaitu
dapat searah dan tidak searah.
Ketiga: Melihat arah korelasi antara dua variable. Arah korelasi dilihat dari angka koefesien
korelasi hasilnya positif atau negatif. Karena angka koefesien korelasi hasilnya positif, yaitu
0,881; maka korelasi kedua variable bersifat searah. Maksudnya jika nilai jumlah kunjungan
tinggi, maka nilai tingkat kepuasan akan tinggi pula.
Kesimpulannya: Korelasi antara variable jumlah kunjungan dan tingkat kepuasan sangat kuat,
signifikan dan searah.


4.13 Korelasi Spearman
4.13.1 Pengertian
Korelasi Spearman merupakan pengukuran non-parametrik. Koefesien korelasi ini mempuyai
simbol r (rho). Pengukuran dengan menggunakan koefesien korelasi Spearman digunakan
untuk menilai adanya seberapa baik fungsi monotonik (suatu fungsi yang sesuai perintah)
arbitrer digunakan untuk menggambarkan hubungan dua variabel dengan tanpa membuat asumsi
distribusi frekuensi dari variabel-variabel yang diteliti. Nilai koefesien korelasi dan kriteria
penilaian kekuatan hubungan dua variabel sama dengan yang digunakan dalam korelasi Pearson.
Penghitungan dilakukan dengan cara yang sama dengan korelasi Pearson, perbedaan terletak
pada pengubahan data kedalam bentuk ranking sebelum dihitung koefesien korelasinya. Itulah
sebabnya korelasi ini disebut sebagai Korelasi Rank Spearman
4.13.2 Syarat dan Asumsi Penggunaan Korelasi Rank Spearman
Data yang digunakan untuk korelasi Spearman harus berskala ordinal. Berbeda dengan Korelasi
Pearson, Korelasi Spearman tidak memerlukan asumsi adanya hubungan linier dalam variable-
variabel yang diukur dan tidak perlu menggunakan data berskala interval, tetapi cukup dengan
menggunakan data berskala ordinal. Asumsi yang digunakan dalam korelasi ini ialah tingkatan
(rank) berikutnya harus menunjukkan posisi jarak yang sama pada variable-variabel yang diukur.
Jika menggunakan skala Likert, maka jarak skala yang digunakan harus sama. Juga, data tidak
harus berdistribusi normal.
4.13.3 Prosedur Korelasi Spearman
Pada kasus ini kita akan melihat hubungan antara variabel sikap terhadap pekerjaan dengan
kinerja. Untuk melihat hubungan tersebut kita membuat langkah-langkah seperti di bawah ini:
Pertama: siapkan data

Kedua: membuat desain variabelnya

* Berilah Values dengan ketentuan sebagai berikut: sikap sangat negatif beri kode 1, negatif beri
kode 2, netral beri kode 3, positif beri kode 4 dan sangat positif beri kode 5
** Berilah Values dengan ketentuan sebagai berikut: sikap sangat rendah beri kode 1, rendah
beri kode 2, cukup beri kode 3, tinggi beri kode 4 dan sangat tinggi beri kode 5
Ketiga : memasukkan data mulai nomor 1 sampai 30 seperti di bawah ini

Keempat: melakukan prosedur analisis seperti di bawah ini:
- Analyse>Correlate>Pilih sub menu Bivariate
- Pindahkan variablel sikap dan kinerja ke kolom Variable
- Correlation Coefficient: pilih Spearman
- Test of Significance: pilih Two Tailed > Cek Flag significant correlation
- Option: Missing Values, pilihan: Exclude cases pairwise, tekan Continue > Klik Ok
Setelah diproses, maka keluaran (output) hasil analisis sebagai berikut:

Kelima: menginterpretasi hasil
Cara melakukan interpretasi sebagai berikut:
Pertama: Melihat kekuatan hubungan antara variable sikap terhadap pekerjaan dengan kinerja
pegawai. Angka didapatkan dengan membuat tabulasi silang antara kedua variabel tersebut
seperti di bawah ini:


Dari table di atas, terlihat angka koefesien korelasi Spearman sebesar .329. Artinya besar
korelasi antara variable variable sikap terhadap pekerjaan dengan kinerja pegawai ialah sebesar
0,329 atau cukup kuat. Korelasi mempunyai kemungkinan dua arah (2-tailed).
Kedua: Melihat signifikansi hubungan kedua variable. Angkanya ialah sebagai berikut:


Didasarkan pada kriteria yang ada hubungan kedua variable tidak signifikan karena angka
signifikansi sebesar 0,076 > 0,05. (Jika tidak ada tanda dua bintang, maka secara otomatis
signifikansinya sebesar 0,05). Hubungan kedua variable mempunyai dua arah (2-tailed), yaitu
dapat searah dan tidak searah.
Ketiga: Melihat arah korelasi antara dua variable. Arah korelasi dilihat dari angka koefesien
korelasi hasilnya positif atau negatif. Karena angka koefesien korelasi hasilnya positif, yaitu
0,329; maka korelasi kedua variable bersifat searah. Maksudnya jika sikap terhadap pekerjaan
positif (4), maka kinerja akan tinggi (4).
Kesimpulannya: Korelasi antara variable variable sikap terhadap pekerjaan dengan kinerja
pegawai cukup kuat, tidak signifikan dan searah.
4.14 Korelasi Kendalls Tau
4.14.1 Pengertian
Korelasi Kendalls Tau digunakan untuk mengukur kekuatan hubungan dua variabel. Korelasi ini
sama dengan Korelasi Sperman yang dikategorikan sebagai statistik non-parametrik. Data yang
digunakan berskala ordinal dan tidak harus berdistribusi normal.

4.14.2 Prosedur Korelasi Kendalls Tau

Pada kasus ini kita akan melihat hubungan antara variabel sikap terhadap pekerjaan dengan
kinerja. Untuk melihat hubungan tersebut kita membuat langkah-langkah seperti di bawah ini:
Pertama: siapkan data

Kedua: membuat desain variabelnya

Ketiga : memasukkan data mulai nomor 1 sampai 30 seperti di bawah ini

Keempat: melakukan analisis dengan prosedur sebagai berikut:
- Analyse>Correlate>Pilih sub menu Bivariate
- Pindahkan variablel harga dan membeli ke kolom Variable
- Correlation Coefficient: pilih Kendalls Tau
- Test of Significance: pilih Two Tailed > Cek Flag significant correlation
- Option: Missing Values, pilihan: Exclude cases pairwise, tekan Continue
- Klik Ok
Setelah diproses, maka keluaran (output) hasil analisis sebagai berikut:



Kelima: membuat interpretasi
Cara melakukan interpretasi sebagai berikut:
Pertama: Melihat kekuatan hubungan antara variable sikap terhadap harga dan keputusan
membeli. Angka didapatkan dengan membuat tabulasi silang antara variable sikap terhadap
harga dan keputusan membeli seperti di bawah ini:

Dari table di atas, terlihat angka koefesien korelasi Pearson sebesar .459**. Artinya besar
korelasi antara variable jumlah kunjungan dan tingkat kepuasan ialah sebesar 0,459 atau cukup
kuat. Tanda dua bintang (**) artinya korelasi signifikan pada angka signifikansi sebesar 0,01 dan
mempunyai kemungkinan dua arah (2-tailed). (Catatan: Jika tidak ada tanda dua bintang, maka
secara otomatis signifikansinya sebesar 0,05)
Kedua: Melihat signifikansi hubungan kedua variable. Angkanya ialah sebagai berikut:

Didasarkan pada kriteria yang ada Hubungan kedua variable signifikan karena angka
signifikansi sebesar 0,006 < 0,001. (Jika tidak ada tanda dua bintang, maka secara otomatis
signifikansinya sebesar 0,05). Hubungan kedua variable mempunyai dua arah (2-tailed), yaitu
dapat searah dan tidak searah.
Ketiga: Melihat arah korelasi antara dua variable. Arah korelasi dilihat dari angka koefesien
korelasi hasilnya positif atau negatif. Karena angka koefesien korelasi hasilnya positif, yaitu
0,459; maka korelasi kedua variable bersifat searah. Maksudnya jika sikap terhadap harga tinggi,
maka keputusan membeli akan tinggi pula.
Kesimpulannya: Korelasi antara variable sikap terhadap harga dan keputusan membeli cukup
kuat, signifikan dan searah.

4.15 Korelasi Parsial
4.15.1 Pengertian
Korelasi partial merupakan korelasi antara dua variabel ketika pengaruh dari satu atau lebih
variabel yang berhubungan yang berperan sebagai variabel ketiga dikendalikan atau diparsialkan.
Tujuannya ialah untuk memperoleh varian unik dalam hubungan antara kedua variabel yang
dikorelasikan dan menghilangkan varian variabel ketiga yang dapat berpengaruh terhadap
hubungan kedua variabel tersebut. Variabel yang diteliti harus kontinus dan berskala interval.
Hubungan antar variabel bersifat linier dan data harus berdistribusi normal. Korelasi partial
hanya digunakan jika variabel ketiga mempunyai keterkaitan dengan salah satu variabel yang
kita korelasikan.

4.15.2 Prosedur Korelasi Parsial
Pada kasus ini kita akan melihat hubungan antara variabel kunjungan terhadap titik layanan pada
penyelenggara telepon selular X dengan tingkat kepuasan saat mendapatkan layanan dengan
mengontrol variabel tanggapan yang diberikan oleh pihak pegawai titik layanan. Untuk melihat
hubungan tersebut kita membuat langkah-langkah seperti di bawah ini:
Pertama: siapkan data

Kedua: membuat desain variabelnya

Ketiga : memasukkan data mulai nomor 1 sampai 11 seperti di bawah ini

Keempat: melakukan analisis dengan prosedur sebagai berikut:
Untuk melakukan analisis lakukankanlah langkah-langkah sebagai berikut:
- Analyse > Correlate >Partial
- Pindahkan variabel kunjungan dan kepuasan ke kolom Variable
- Pindahkan variabel tanggapan ke kolom Controlling For
- Test of Significance: pilih Two Tailed
- Option: Statistics pilih Zero Order Correlation dan pada Missing Values, pilih Exclude
cases pairwise, tekan Continue
- Klik Ok untuk diproses

Setelah diproses, maka keluaran (output) hasil analisis sebagai berikut:



Kelima: membuat interpretasi
Interpretasi hasil korelasi partial dapat dilakukan dengan menggunakan angka-angka pada tabel
di bawah ini.

Korelasi antara variabel jumlah kunjungan dan tingkat kepuasan sebesar 0,641. Artinya kedua
variabel mempunyai hubungan yang kuat tetapi tidak searah. Tidak searah maksudnya jika
jumlah kunjungan ke titik layanan yang digunakan oleh pihak penyelenggara untuk menampung
keluhan keluhan pelanggan tinggi, maka tingkat kepuasan terhadap layanan akan menjadi
rendah. Variabel ketiga tanggapan pelanggan jika tidak dikendalikan akan berpengaruh terhadap
hubungan kedua variabel tersebut karena signifikansi menunjukkan sebesar 0,046 < 0,05.
Artinya kehadiran variabel ketiga bersifat signifikan oleh karena itu harus kita kendalikan;
karena tingkat kepuasan tidak hanya berhubungan dengan jumlah kunjungan tetapi juga
berhubungan dengan bagaimana pegawai memberikan tanggapan terhadap keluhan pelanggan
yang datang ke titik layanan tersebut.