Anda di halaman 1dari 55

STATISTIKA

OLEH :
WIJAYA
email : zeamays_hibrida@yahoo.com

FAKULTAS PERTANIAN
UNIVERSITAS SWADAYA GUNUNG JATI CIREBON
2009
ANALISIS KORELASI

1. Koefisien Korelasi Pearson


¾ Koefisien Korelasi Moment Product
¾ Korelasi Data Berskala Interval dan Rasio
2. Koefisien Korelasi Spearman
¾ Korelasi Data Berskala Ordinal (Rank)
3. Koefisien Kontingensi
¾ Korelasi Data yang Disusun dalam Baris - Kolom
4. Koefisien Korelasi Phi
¾ Korelasi Data Berskala Nominal
ANALISIS KORELASI

Analisis Korelasi merupakan studi yang membahas tentang derajat


keeratan hubungan antar peubah, yang dinyatakan dengan Koefisien
Korelasi. Hubungan antara peubah X dan Y dapat bersifat :
a. Positif, artinya jika X naik (turun) maka Y naik (turun).
b. Negatif, artinya jika X naik (turun) maka Y turun (naik).
c. Bebas, artinya naik turunnya Y tidak dipengaruhi oleh X.:

Positif Negatif Bebas (Nol)


1. KORELASI PEARSON

Rumus umum Koefisien Korelasi (tidak harus regresinya linier) yaitu :

∑ ( Yi – Y)2 JKG JKT – JKG JKR


r2 =1– = 1– = =
∑ (Yi – Y)2 JKT JKT JKT

r2 = Koefisien Determinasi (Koefisien Penentu)


r = √ r2 = Koefisien Korelasi
Yi = Nilai Pengamatan Variabel Terikat Y.
Y = Nilai Penduga Regresi
Y = Nilai Rata-rata Variabel Terikat Y
JKG = Jumlah Kuadrat Galat
JKT = Jumlah Kuadrat Total
JKR = Jumlah Kuadrat Regresi
1. KORELASI PEARSON

Rumus Koefisien Korelasi Pearson :

n ∑xy − (∑x) (∑y)


r =
⎡n ∑ 2 −
⎢⎣ x
2⎤
∑x ⎥

( ) ⎡n ∑ 2 −
⎢⎣ y
2⎤
∑y ⎥

( )
Y = Variabel Terikat (Variabel Tidak Bebas)
X = Variabel Bebas (Faktor)

Nilai r : – 1 ≤ r ≤ 1 Æ …. ≤ r2 ≤ ….
1. KORELASI PEARSON

Misal data berikut menggambarkan keuntungan usahatani (Y) pada


berbagai luas lahan (X) padi sawah :

No Petani Luas Lahan (X) Keuntungan (Y)


1 0,21 0,50
2 0,50 1,10
3 0,14 0,25
4 1,00 1,80
5 0,21 0,40
6 0,07 0,20
7 0,50 0,90
8 1,00 2,00
9 0,70 1,20
10 0,14 0,35
11 0,35 0,70
12 0,28 0,65
1. KORELASI PEARSON

No Luas (X) Untung (Y) X2 Y2 XY


1 0,21 0,50 0,0441 0,2500 0,1050
2 0,50 1,10 0,2500 1,2100 0,5500
3 0,14 0,25 0,0196 0,0625 0,0350
4 1,00 1,80 1,0000 3,2400 1,8000
5 0,21 0,40 0,0441 0,1600 0,0840
6 0,07 0,20 0,0049 0,0400 0,0140
7 0,50 0,90 0,2500 0,8100 0,4500
8 1,00 2,00 1,0000 4,0000 2,0000
9 0,70 1,20 0,4900 1,4400 0,8400
10 0,14 0,35 0,0196 0,1225 0,0490
11 0,35 0,70 0,1225 0,4900 0,2450
12 0,28 0,65 0,0784 0,4225 0,1820
Jumlah 5,10 10,05 3,3232 12,2475 6,3540
Rata-rata 0,43 0,84 - - -
n 12 - - - -
1. KORELASI PEARSON

∑ X = 5,10 ; ∑ Y = 10,05 ; ∑ X2 = 3,3232 ; ∑Y2 =12,2475 ;


∑ XY = 6,3540 ; n = 12

n ∑ xy − (∑ x) (∑ y)
r =
⎡n ∑ 2 −
⎢⎣ x ( ) 2⎤
⎡n ∑ 2 −
∑x ⎥ ⎢
⎦ ⎣
y (∑ y) ⎥⎦
2⎤

12(6,3540) − (5,10)(10,05)
r =
⎡12(3,3232) −
⎢⎣ ( ) ⎤ ⎡
2
5,10 ⎥ ⎢12(12,2475) −
⎦ ⎣
(10,05) ⎤⎥⎦
2

76,2480 − 51,2550
r =
⎡(39,8784) −
⎢⎣ (26,0100) ⎤⎥⎦ ⎡(146,9700) −
⎢⎣ (101,0025) ⎤⎥⎦
1. KORELASI PEARSON

76,2480 − 51,2550
r =
⎡(39,8784) −
⎢⎣ (26,0100) ⎤⎥⎦ ⎡(146,9700) −
⎢⎣ (101,0025) ⎤⎥⎦
24 ,9930
r =
(13 ,8684 ) ( 45 ,9675 )

24,9930
r = = 0,9899 Æ r2 = 0,9798 = 97,98 %
25,2487

Nilai r2 = 97,98 % artinya sebesar 97,98 % variasi besarnya


keuntungan (nilai Y) diperngaruhi oleh variasi besarnya luas lahan
(nilai X).
1. KORELASI PEARSON

Pengujian Koefisien Korelasi Pearson :


1. H0 ≡ r = 0 lawan H1 ≡ r ≠ 0
2. Taraf Nyata α = 5 % = 0,05
3. Uji Statistik = Uji- t
4. Wilayah Kritik (Daerah Penolakan H0) :
t <–tα/2(n-2) atau t > tα/2(n-2)
t <–t0,025(10) atau t > t0,025(10)
t < –2,228 atau t > 2,228
5. Perhitungan :

n − 2
t = r 2
1 − r
1. KORELASI PEARSON

5. Perhitungan :

t = r
n − 2
t = 0,9899 12 − 2
1 − r
2 1 − 0,9798

t = 0,9899 10
t = (0,9899)(22,2772)
0,0202
t = 22,052

6. Kesimpulan :
Karena nilai ( t = 22,052) > ( t0,025(10) = 2,228)
maka disimpulkan untuk menolak H0, artinya terdapat
hubungan yang signifikan antara keuntungan usahatani
(Y) dengan luas lahan garapan (X)
1. KORELASI PEARSON

6. Kesimpulan :
Nilai t = 22,052 dan t0,025(10) = 2,228.

Tolak H0 Tolak H0

Terima H0

–2,228 2,228

22,052
2. KORELASI SPEARMAN

1. Jika tidak ada nilai pengamatan yang sama :

6 ∑ di2
rs = 1 –
n (n2 – 1)

2. Jika ada nilai pengamatan yang sama :


2 2 2
∑x + ∑ y − ∑d
rs = 2 2
2 ∑x . ∑ y

N3 – N t3 – t
∑ x2 = – ∑Tx ∑ Tx = ∑
12 12
N3 – N t3 – t
∑ y2 = – ∑Ty ∑ Ty = ∑
12 12
2. KORELASI SPEARMAN

Contoh data berikut menggambarkan Pengalaman Usahatani (X)


dan Penerapan Teknologi (Y) dari 12 petani :
No X Y No X Rank No X Rank
1 12 85 1 8 1 1 74 1,5
2 10 74 2 10 3 2 74 1,5
3 10 78 3 10 3 3 76 3
4 13 90 4 10 3 4 78 4
5 11 85 5 11 5,5 5 81 5
6 14 87 6 11 5,5 6 85 6,5
7 13 94 7 12 7 7 85 6,5
8 14 98 8 13 8,5 8 87 8
9 11 81 9 13 8,5 9 90 9
10 14 91 10 14 11 10 91 10
11 10 76 11 14 11 11 94 11
12 8 74 12 14 11 12 98 12
2. KORELASI SPEARMAN

No X Y Rank-X Rank-Y di2


1 12 85 7 6,5 0,25
2 10 74 3 1,5 2,25
3 10 78 3 4 1,00
4 13 90 8,5 9 0,25
5 11 85 5,5 6,5 1,00
6 14 87 11 8 9,00
7 13 94 8,5 11 6,25
8 14 98 11 12 1,00
9 11 81 5,5 5 0,25
10 14 91 11 10 1,00
11 10 76 3 3 0,00
12 8 74 1 1,5 0,25
Jml 22,50
2. KORELASI SPEARMAN

∑ di2 = 22,50 n = 12
6 ∑ di2
rs = 1 –
n (n2 – 1)

6 (22,50)
rs = 1 –
12 (144 – 1)

135
rs = 1 – = 1 – 0,0787 = 0,9213
1716
2. KORELASI SPEARMAN

Rank-X t Tx Rank-Y t Ty
3 3 2,0 1,5 2 0,5
5,5 2 0,5 6,5 2 0,5
8,5 2 0,5
11 3 2,0

Jml 5,0 Jml 1,0

∑ Tx = 5,0 ∑ Ty = 1,0 n = 12
123 – 12
∑ x2 = – 5,0 = 138
12
123 – 12
∑ x2 = – 1,0 = 142
12
2. KORELASI SPEARMAN

∑ di2 = 22,50 ∑ x2 = 138 ∑ y2 = 142


2 2 2
∑x + ∑y − ∑d
rs = 2 2
2 ∑x . ∑ y

138 + 142 − 22,5


rs = 2 (138) . (142)

257,5
rs = 279,971 r s = 0,9197
2. KORELASI SPEARMAN

Pengujian Koefisien Korelasi Pearson :


1. H0 ≡ rs = 0 lawan H1 ≡ rs ≠ 0
2. Taraf Nyata α = 5 % = 0,05
3. Uji Statistik = Uji- t
4. Wilayah Kritik (Daerah Penolakan H0) :
t <–tα/2(n-1) atau t > tα/2(n-1)
t <–t0,025(10) atau t > t0,025(10)
t < –2,228 atau t > 2,228
5. Perhitungan :
n − 2
t = rs 2
1 − rs
2. KORELASI SPEARMAN

5. Perhitungan :

t = rs
n − 2 t = 0,9197 12 − 2
1 − rs
2 1 − 0,8459

t = 0,9197 10
t = (0,9197)(8,0560)
0,1541
t = 7,409

6. Kesimpulan :
Karena nilai ( t = 7,409) > ( t0,025(10) = 2,228) maka
disimpulkan untuk menolak H0, artinya terdapat
hubungan yang signifikan antara pengalaman usahatani
(X) dengan penerapan teknologi (Y)
3. KORELASI PHI

Koefisien korelasi phi rφ merupakan ukuran derajat keeratan


hubungan antara dua variabel dengan skala nominal yang
bersifat dikotomi (dipisahduakan).

Kolom Jumlah
A B (A+B)
Baris
C D (C+D)
Jumlah (A+C) (B+D) N

A.D – B.C
rφ =
√ (A+B)(C+D)(A+C)(B+D)
3. KORELASI PHI

Uji signifikansi rφ dilakukan dengan statistik χ2 Pearson :

[ | oi – ei | – 0,5 ]2
X2 = ∑ db-X2 = (b – 1)(k – 1)
ei
Atau dengan rumus :

N [ | A.D – B.C | – 0,5 N ]2


X2 = db-X2 = (b – 1)(k – 1)
(A+B)(C+D)(A+C)(B+D)
3. KORELASI PHI

Contoh :
Data berikut menggambarkan banyaknya petani tebu berdasarkan
penggunaan jenis pupuk dan cara tanam.

Pupuk Tunggal Pupuk Majemuk Jumlah


Tanam Awal 5 9 14
Keprasan 9 7 16
Jumlah 14 16 30

Tentukan nilai Koefisien Korelasinya dan Ujilah pada taraf nyata 1%


apakah penggunaan jenis pupuk tergantung dari cara tanamnya ?
3. KORELASI PHI

Jawab :
Pupuk Tunggal Pupuk Majemuk Jumlah
Tanam Awal 5 9 14
Keprasan 9 7 16
Jumlah 14 16 30

A.D – B.C
rφ =
√ (A+B)(C+D)(A+C)(B+D)
(5)(7) – (9)(9) 35 – 81 – 46
rφ = = =
√ (14)(16)(14)(16) √ 50176 224

rφ = – 0,2054
3. KORELASI PHI
Uji Koefisien Korelasi phi :
1. H0 ≡ r φ = 0 lawan H1 ≡ r φ ≠ 0
2. Taraf Nyata α = 5 % = 0,05
3. Uji Statistik = Uji- X2
4. Wilayah Kritik (Daerah Penolakan H0) :
X2 >X20,05(1) atau X2 > 3,841
5. Perhitungan :
Pupuk Tunggal Pupuk Majemuk Jumlah
oi ei oi ei
Tanam Awal 5 6,53 9 7,47 14
Keprasan 9 7,47 7 8,53 16
Jumlah 14 16 30
3. KORELASI PHI

Pupuk Tunggal Pupuk Majemuk Jumlah


oi ei oi ei
Tanam Awal 5 6,53 9 7,47 14
Keprasan 9 7,47 7 8,53 16
Jumlah 14 16 30
[ | oi – ei | – 0,5 ]2
X2 = ∑
ei
[ |5 – 6,53| – 0,5 ]2 [|7 – 8,53| – 0,5]2
X2 = +…+ = 0,571
5,63 8.53
6. Kesimpulan
Karena nilai (X2 = 0,571) < (X20,05(1) = 6,635) maka H0
diterima artinya penggunaan jenis pupuk tidak tergantung
pada cara tanam.
3. KORELASI PHI

Pupuk Tunggal Pupuk Majemuk Jumlah


Tanam Awal 5 9 14
Keprasan 9 7 16
Jumlah 14 16 30

N [ |A.D – B.C| – 0,5 N ]2 30 [ |35 – 81| – 0,5(30) ]2


X2 = =
(A+B)(C+D)(A+C)(B+D) (14)(16)(14)(16)

30 [ 46 – 15 ]2 28830
X2 = = = 0,575
50176 50176
4. KORELASI CRAMER

| A.D – B.C |
V =
√ (A+B)(C+D)(A+C)(B+D)

Pupuk Tunggal Pupuk Majemuk Jumlah


Tanam Awal 5 9 14
Keprasan 9 7 16
Jumlah 14 16 30

| (5)(7) – (9)(9)| |35 – 81| 46


V = = =
√ (14)(16)(14)(16) √ 50176 224

V = 0,2054
4. KORELASI KONTINGENSI

Koefisien kontingensi C merupakan ukuran korelasi antara dua variabel


kategori yang disusun dalam tabel kontingensi berukuran b x k.
Pengujian terhadap koefisien kontingensi C digunakan sebagai Uji
Kebebasan (Uji Independensi) antara dua variabel. Jadi apabila
hipotesis nol dinyatakan sebagai C = 0 diterima, berarti kedua variabel
tersebut bersifat bebas.

χ
2
C =
χ
2
+ n

(oi – ei)2
X2 = ∑ db-X2 = (b – 1)(k – 1)
ei
4. KORELASI KONTINGENSI

Contoh :
Ada anggapan bahwa pelayanan bank swasta terhadap para
nasabahnya lebih memuaskan dari pada bank pemerintah. Untuk
mengetahui hal tersebut, maka dilakukan wawancara terhadap nasabah
bank swasta dan bank pemerintah masing-masing sebanyak 40 orang.
Hasil wawancara yang tercatat adalah :

Swasta Pemerintah
Tidak Puas 16 10
Netral 9 5
Puas 15 25
4. KORELASI KONTINGENSI
1. H0 ≡ C = 0 lawan H1 ≡ C ≠ 0
2. Taraf Nyata α = 5 % = 0,05
3. Uji Statistik = Uji- X2
4. Wilayah Kritik (Daerah Penolakan H0) :
X2 >X20,05(2) atau X2 > 5,991
5. Perhitungan :
Swasta Pemerintah
Jumlah
oi ei oi ei
Tidak Puas 16 13 10 13 26
Netral 9 7 5 7 14
Puas 15 20 25 20 40
Jumlah 40 40 80
4. KORELASI KONTINGENSI

Swasta Pemerintah
Jumlah
oi ei oi ei
Tidak Puas 16 13 10 13 26
Netral 9 7 5 7 14
Puas 15 20 25 20 40
Jumlah 40 40 80

(oi – ei)2 (16 – 13)2 (25 – 20)2


X2 = ∑ = +…+ = 5,027
ei 13 20

X2 5,027
C =√ =√ = √ 0,0591 = 0,243
X2 + n 5,027 + 80
4. KORELASI KONTINGENSI

6. Kesimpulan :

Karena nilai (X2 = 5,027) < (X20,05(2) = 5,991) maka H0


diterima artinya hubungan antara kedua variabel tersebut
bersifat tidak nyata (tingkat kepuasan nasabah terhadap
pelayanan bank swasta tidak berbeda nyata dengan bank
pemerintah).
5. KORELASI BISERI

Koefisien korelasi biseri merupakan ukuran derajat keeratan


hubungan antara Y yang kontinu (kuantitatif) dengan X yang
diskrit bersifat dikotomi.

=
(Y1 − Y2) p.q
rb u SY
rb = Koefisien Korelasi Biseri
Y1 = Rata-rata Variabel Y untuk kategori ke-1
Y2 = Rata-rata Variabel Y untuk kategori ke-2
p = Proporsi kategori ke-1
q = 1–p
u = Tinggi ordinat kurva z dengan peluang p dan q
Sy = Simpangan Baku Variabel Y
5. KORELASI BISERI

Data berikut merupakan hasil nilai ujian statistika dari 145


mahasiswa yang belajar dan tidak belajar.

Jumlah Mahasiswa
Nilai Ujian Total
Belajar Tidak Belajar
55 – 59 1 31 32
60 – 64 0 27 27
65 – 69 1 30 31
70 – 74 2 16 18
75 – 79 5 12 17
80 – 84 6 3 9
85 – 89 6 5 11
Total 21 124 145
5. KORELASI BISERI

Interval Y1 F FY1 Y2 F FY2


55 – 59 57 1 57 57 31 1767
60 – 64 62 0 0 62 27 1674
65 – 69 67 1 67 67 30 2010
70 – 74 72 2 144 72 16 1152
75 – 79 77 5 385 77 12 924
80 – 84 82 6 492 82 3 246
85 – 89 87 6 522 87 5 435
Jumlah 21 1667 124 8208
Rata-rata 79,38 66,19

Rata-rata Y1 = 79,38 dan Y2 = 66,19. p = 21/145 = 0,14


q = 0,86 Sy = 9,26 dan u = 0,223
5. KORELASI BISERI

=
(Y1 − Y2) p.q
rb u SY
( 79,38 – 66,19 ) ( 0,14 )( 0,86 )
rb =
( 0,223 )( 9,26 )

( 13,19 ) ( 0,120 )
rb =
( 2,065 )

( 1,588 )
rb = = 0,769
( 2,065 )
6. KORELASI LINEAR GANDA DAN PARSIAL

1. Korelasi Linear Ganda


Untuk regresi linier ganda Y = b0 + b1 X1 + b2 X2 + … + bk Xk ,
maka koefisien korelasi ganda dihitung dari Koefsisien
Determinasi dengan rumus :
JKR b1 x1 y + b1 x2 y + … + bk xk y
r2 = =
JKG ∑ y2

JKR = Jumlah Kuadrat Regresi

JKG = Jumlah Kuadrat Galat

xi y = ∑ X I Y – ( ∑ XI ) ( ∑ Y ) / n

∑ y2 = ∑ Y2 – ( ∑ Y )2 / n
6. KORELASI LINEAR GANDA DAN PARSIAL

Tabel berikut menunjukkan skor tes kecerdasan (X1), frekuensi


membolos (X2) dan nilai ujian statistika (Y) dari 12 mahasiswa :
Skor tes (X1) Frek. Bolos (X2) Nilai (Y)
65 1 85 ∑ X1 = 725
50 7 74
∑ X2 = 43
55 5 76
65 2 90 ∑ X12 = 44.475
55 6 85
∑ X22 = 195
70 3 87
65 2 94 ∑ X1X2 = 2.540
70 5 98 ∑ Y = 1.011
55 4 81
∑ X1Y = 61.685
70 3 91
50 1 76 ∑ X2Y = 3.581
55 4 74
6. KORELASI LINEAR GANDA DAN PARSIAL

Dari tabel tersebut hubungan fungsional yang dapat dibangun


yaitu : Y = b0 + b1 X1 + b2 X2. Kemudian persamaan normal
yang dapat dibentuk yaitu :

∑Y = b0 n + b1 ∑ X1 + b2 ∑ X2
∑ X1 Y = b0 ∑ X1 + b1 ∑ X12 + b2 ∑ X1X2
∑ X2 Y = b0 ∑ X2 + b1 ∑ X1X2 + b2 ∑ X22

Matrik dari persamaan normal diatas :

n ∑ X1 ∑ X2 b0 ∑Y
∑ X1 ∑ X12 ∑ X1 X2 b1 = ∑ X1 Y
∑ X2 ∑ X1 X2 ∑ X22 b2 ∑ X2 Y
6. KORELASI LINEAR GANDA DAN PARSIAL

Nilai b0 , b1 dan b2 dapat dihitung dari :


1. Persamaan Normal : (a) Substitusi, dan (b) Eliminasi
2. Matriks : (a) Determinan Matriks, dan (b) Invers Matriks

Melalui salah satu cara diatas diperoleh nilai


b0 = 27,254
b1 = 0,922
b2 = 0,284
6. KORELASI LINEAR GANDA DAN PARSIAL

∑ X1 = 725 ∑ X2 = 43 ∑ X12 = 44.475


∑ X22 = 195 ∑ X1X2 = 2.540 ∑ Y = 1.011
∑ X1Y = 61.685 ∑ X2Y = 3.581 ∑ Y2 = 85.905
b0 = 27,254 b1 = 0,922 b2 = 0,284

Analisis Ragam :
1. FK = (∑Y)2 / n = (1,011)2 / 12 = 85.176,75
2. JKT = ∑ Y2 – FK = 85.905 – 85,175,75 = 728,25
3. JKR = b1 [ (∑ X1Y – (∑X1)(∑Y)/n ] + b2 [ (∑ X2Y – (∑X2)(∑Y)/n ]
= 0,922 [ (61.685 – (725)(1.011)/12 ] +
0,284 [ (3.581 – (43)(1.011)/12 ]
= 556,463 – 11.867 = 544,596
4. JKG = JKT – JKR = 728,25 – 544,596 = 183,654
6. KORELASI LINEAR GANDA DAN PARSIAL
Analisis Ragam :
1. FK = 85.176,75
2. JKT = 728,25
3. JKR = 544,596
4. JKG = 183,654

No Variasi DB JK KT F F5%
1 Regresi 2 544,596 272,298 13,344 4,256
2 Galat 9 183,654 20,406
Total 11 728,250

JKR 544,596
r2 = = = 0,7478 Æ r = 0,8648
JKG 728,250
6. KORELASI LINEAR GANDA DAN PARSIAL

Pengujian Korelasi Ganda :

r2y/1,2 / k
F =
(1 – r2y/1,2 ) / (n–k–1)

r2y/1,2 / db-R
F =
(1 – r2y/1,2 ) / db-G

db-R = Derajat Bebas Regresi


db-G = Derajat Bebas Galat
6. KORELASI LINEAR GANDA DAN PARSIAL

r2 = 0,7478 ; r = 0,8648 ; db-R = 2 ; db-G = 9


r2y/1,2 / db-R
F =
(1 – r2y/1,2 ) / db-G

(0,7478) / 2 0,3739
F = = = 13,343
(1 – 0,7478) / 9 0,0280

F0,05(2 ; 9) = 4,2565

Karena nilai ( F = 13,343) > ( F0,05(2 ; 9) = 4,2565) artinya


koefisien korelasi ganda tersebut bersifat nyata.
6. KORELASI LINEAR GANDA DAN PARSIAL
2. Koefisien Korelasi Parsial :
A. Korelasi X1 dengan Y jika X2 tetap :
ry1 − ry2 r1.2
ry1/2 =
(1 − 2
ry2) (1 − r1.2)
2

B. Korelasi X2 dengan Y jika X1 tetap :


ry2 − ry1 r1.2
ry2/1 =
(1 − 2
ry1) (
1 − r1.2)
2

ry1 = korelasi antara Y dengan X1


ry2 = korelasi antara Y dengan X2
r12 = korelasi antara X1 dengan X2
6. KORELASI LINEAR GANDA DAN PARSIAL

2. Koefisien Korelasi Parsial :


n ∑ X1Y – (∑ X1)(∑ Y)
ry1 =
√ [ n ∑ X12 – (∑ X1)2 ] [ n ∑Y2 – (∑Y)2 ]
n ∑ X2Y – (∑ X2)(∑ Y)
ry2 =
√ [ n ∑ X22 – (∑ X2)2 ] [ n ∑Y2 – (∑Y)2 ]

n ∑ X1X2 – (∑ X1)(∑ X2)


r12 =
√ [ n ∑X12 – (∑X1)2 ] [ n ∑X22 – (∑X2)2 ]
6. KORELASI LINEAR GANDA DAN PARSIAL
2. Koefisien Korelasi Parsial :
ry1 = 0,862 ; ry12 = 0,743 ; ry2 = –0,242
rY22 = 0,059 ; r12 = –0,349 ; r122 = 0,122

A. Korelasi X1 dengan Y jika X2 tetap :


ry1 − ry2 r1.2
ry1/2 =
(1 − 2
ry2) (1 − r1.2)
2

0,862 − (−0,242)(−0,349)
ry1/2 = (1 − (0,059)) (1 − 0,122)
0,778
=
ry1/2 0,909 ry1/2 = 0,855
6. KORELASI LINEAR GANDA DAN PARSIAL
2. Koefisien Korelasi Parsial :
ry1 = 0,862 ; ry12 = 0,743 ; ry2 = –0,242
rY22 = 0,059 ; r12 = –0,349 ; r122 = 0,122

B. Korelasi X2 dengan Y jika X1 tetap :


ry2 − ry1 r1.2
ry2/1 =
(1 − 2
ry1) (
1 − r1.2)
2

− 0,242 − (0,862)(−0,349)
ry1/2 = (1 − (0,941)) (1 − 0,122)
0,059
=
ry1/2 0,475 ry1/2 = 0,124
6. KORELASI LINEAR GANDA DAN PARSIAL

Pengujian Koefisien Korelasi Parsial :


ry1/2 = 0,855 ; ry1/22 = 0,731 ;
ry2/1 = 0,124 ; rY2/12 = 0,015
n−3
t = ryi/ j 2
1 − r
yi/ j

A. Korelasi X1 dengan Y jika X2 tetap (ry1/2) :

9
t = 0,855 t = 4,949
1 − 0,731
t0,025(9) = 2,262 Æ Korelasi Signifikan
6. KORELASI LINEAR GANDA DAN PARSIAL

Pengujian Koefisien Korelasi Parsial :


ry1/2 = 0,855 ; ry1/22 = 0,731 ;
ry2/1 = 0,124 ; rY2/12 = 0,015
n−3
t = ryi/ j 2
1 − r
yi/ j

B. Korelasi X2 dengan Y jika X1 tetap (ry2/1) :

9
t = 0,124 t = 0,374
1 − 0,015
t0,025(9) = 2,262 Æ Korelasi Tidak Signifikan
7. KORELASI DATA DIKELOMPOKKAN

n ∑ fi.XY – (∑ fx.X)(∑ fy.Y)


r =
√ [ n ∑ fx.X2 – (∑ fx.X)2 ] [ n ∑ fy.Y2 – (∑ fy.Y)2 ]

Atau :
n ∑ fi.Cx.Cy – (∑ fx.Cx )( ∑ fy.Cy)
r =
√ [ n ∑ fx.Cx2 – (∑ fx.Cx )2 ] [ n ∑ fy.Cy2 – (∑ fy.Cy)2 ]
7. KORELASI DATA DIKELOMPOKKAN

Contoh :
Pendapatan (X) dan Pengeluaran (Y) Bulanan (ribu rupiah) karyawan
sebuah pabrik :

In Put (X)
Out Put (Y) Jumlah (fy )
1 – 20 21 – 40 41 – 60 61 – 80 81 – 100
1 – 20 1 2 1 4
21 – 40 4 3 2 9
41 – 60 1 5 7 2 15
61 – 80 2 3 3 8
81 – 100 1 2 4 7
Jumlah (fx) 1 7 12 14 9 n = 43
7. KORELASI DATA DIKELOMPOKKAN

X 10,5 30,5 50,5 70,5 90,5


Y
Cy .Cx –2 –1 0 1 2 fy fy.Cy fy.Cy2 fi CxCy
10,5 –2 1 2 1 4 –8 16 8
30,5 –1 4 3 2 9 –9 9 2
50,5 0 1 5 7 2 15 0 0 0
70,5 1 2 3 3 8 8 8 9
90,5 2 1 2 4 7 14 28 20

fx 1 7 12 14 9 43 5 61 39

fx.Cx –2 –7 0 14 18 23

fx.Cx2 4 7 0 14 36 61

fi Cx.Cy 4 8 0 5 22 39
7. KORELASI DATA DIKELOMPOKKAN

Cara mencari fi Cx.Cy = 8 pada titik tengah (X) = 30,5 adalah :


8 = (2)(–2)(–1) + (4)(–1)(–1) + (1)(0)(–1)

n ∑ fi.Cx.Cy – (∑ fx.Cx )( ∑ fy.Cy)


r =
√ [ n ∑ fx.Cx2 – (∑ fx.Cx )2 ] [ n ∑ fy.Cy2 – (∑ fy.Cy)2 ]

43 (39) – (23) (5)


r = = 0,67
√ [ 43 (61) – (23)2 ] [ 43 (61) – (5)2 ]