Anda di halaman 1dari 15

KORELASI PRODUCT

MOMENT PEARSON
A. Pendahuluan
Analisis korelasi digunakan untuk menjelaskan kekuatan dan arah hubungan antara dua
variabel. Korelasi bersifat undirectional yang artinya tidak ada yang ditempatkan sebagai
predictor dan respon (IV dan DV).
Angka korelasi berkisar antara -1 s/d +1. Semakin mendekati 1 maka korelasi semakin
mendekati sempurna. Sementara nilai negative dan positif mengindikasikan arah hubungan.
Arah hubungan yang positif menandakan bahwa pola hubungan searah atau semakin tinggi A
menyebabkan kenaikan pula B (A dan B ditempatkan sebagai variabel)
Interprestasi angka korelasi menurut Prof. Sugiyono (2007)
0

0,199 : Sangat lemah

0,20

0,399 : Lemah

0,40

0,599 : Sedang

0,60

0,799 : Kuat

0,80

1,0

: Sangat kuat

Dalam Bivariate model, korelasi yang umum digunakan adalah Pearson, Kendall, dan Rank
Spearman, namun yang dibahas kali ini adalah Pearson r Correlation aja..
Pearson r correlation:
Pearson r correlation biasa digunakan untuk mengetahui hubungan pada dua variabel.
Korelasi dengan Pearson ini mensyaratkan data berdistribusi normal.
Rumus yang digunakan adalah sebagai berikut :

B. Contoh Kasus

Pak Ali ingin mengetahui apakah ada hubungan antara pengawasan (Control), kepuasan kerja
(Job Satisfaction), Disiplin kerja (discipline), dan kinerja (Performance). data dapat diambil
CONTOH DATA KORELASI
Jumlah data 37.
Instrumen : angket
C. Penyelesaian Kasus dengan SPSS:
Langkah 1. Pada menu Analyze pilih correlate bivariate . Setelah itu akan ada tampilan sbb:

Langkah 2.
Masukkan variabel yang akan dikorelasikan ke dalam variable list.
Click on option and select descriptive statistics, abaikan yang lain lalu klik OK

Interprestasi
Arti angka Korelasi
1.
Control Performance. Nilai korelasi adalah positif 0.668. Besaran angka korelasi
menunjukkan bahwa korelasi antara Control dan Performance berada dalam kategori Kuat,
sementara nilai positif mengindikasikan pola hubungan antara Control dengan Performance

adalah searah (semakin tinggi Control maka semakin tinggi pula Performance). Perolehan p
hitung = 0.000 < 0.05 yang menandakan bahwa hubungan yang terjadi adalah signifikan.
2.
Job Satisfaction Performance. Nilai korelasi adalah positif 0.772. Besaran angka
korelasi menunjukkan bahwa korelasi antara Job satisfaction dan Performance berada dalam
kategori Kuat, sementara nilai positif mengindikasikan pola hubungan antara adalah searah
(semakin tinggi Job Sat maka semakin tinggi pula Performance). Perolehan p hitung = 0.000
< 0.05 yang menandakan bahwa hubungan yang terjadi adalah signifikan.
3.
Dicipline Performance. Nilai korelasi adalah positif 0.749. Besaran angka korelasi
menunjukkan bahwa korelasi antara Dicipline dan Performance berada dalam kategori
Kuat, sementara nilai positif mengindikasikan pola hubungan antara dicipline dengan
Performance adalah searah (semakin tinggi Control maka semakin tinggi pula Performance).
Perolehan p hitung = 0.000 < 0.05 yang menandakan bahwa hubungan yang terjadi adalah
signifikan.
Buku Rujukan : Prof. Dr. Sugiyono. Metode Penelitian Administasi. Bandung : Alfabeta

UJI KORELASI PEARSON

Koefisien korelasi Pearson dapat digunakan untuk menyatakan besar hubungan linier antara
dua variabel ketika data adalah data kuantitatif (data berskala interval atau rasio) dan kedua
variabel adalah bivariat yang berdistribusi normal. Ketika datanya adalah data kualitatif (data
berskala ordinal) maka besar hubungan dua variabel dapat dicari dengan korelasi Spearman
atau korelasi Kendall Tau, dan ketika datanya kualitatif berskala nominal dalam bentuk tabel
kontingensi maka besar hubungan dua variabel dapat dicari dengan korelasi Cramer.
Korelasi-korelasi dengan data kualitatif ini akan dibahas pada sesi tulisan yang lain. Simbol
korelasi pada ukuran populasi adalah (dibaca: rho) dan pada ukuran sampel adalah r.
Formula untuk korelasi Pearson adalah sebagai berikut:

koefisien korelasi mempunyai range nilai berkisar antara -1 sampai 1


contoh:
Sebuah perusahaan industri mempunyai data produksi bulanan selama sepuluh bulan dan
jumlah jam kerja seperti Tabel 1 dibawah ini.
Tabel 1 Produksi bulanan dan jam kerja.

Produksi

Jam kerja

(Xi)

(Yi)

30

73

20

50

60

128

80

170

40

87

50

108

60

135

30

69

Bulan

70

148

10

60

132

Menggunakan data dari Tabel 1, nilai koefisien korelasinya adalah:

Besar hubungan linier antara produksi dan jam kerja karyawan pada perusahaan industri
tersebut adalah sebesar 0,9978 atau sebesar 99,78 persen. Jika nilai korelasi dikuadratkan
akan didapat suatu nilai yang menyatakan besarnya pengaruh variasi suatu variabel terhadap
variabel lainnya. Nilai tersebut biasa disebut dengan koefisien determinasi (r2) (coefficient of
determination). Koefisien determinasi mempunyai range nilai berkisar antara 0 sampai 1.
Dalam hal contoh diatas, variasi produksi mempunyai pengaruh sebesar 99,56 persen
terhadap variasi jam kerja karyawan pada perusahaan tersebut.
Uji untuk korelasi Pearson.
Uji ini digunakan untuk menentukan apakah ada hubungan linier yang signifikan antara dua
variabel. Uji ini termasuk klasifikasi uji statistik parametrik.
Hipotesanya adalah:
Ho : = 0

VS

H1 : 0

Statistik uji yang digunakan adalah statistik uji t. Formulanya adalah sebagai berikut:

~ t(a/2 , n-2)
daerah tolak H0:
t <- t(a/2 , n-2)

dan t > t(a/2 , n-2)

Menggunakan data dari Tabel 1, uji untuk menentukan apakah ada hubungan linier antar
variabel produksi dengan jam kerja dengan menguji koefisien korelasi populasi dengan
tingkat signifikansi sebesar 5%.

t(0,025 ;8) = 2,31


Keputusan:

H0 ditolak karena t > t(0,025 ;8)

Kesimpulan:

ada hubungan linier antara produksi dengan jam kerja dengan tingkat

keyakinan sebesar 95%.

Uji korelasi Pearson.


Banyak penelitian meminati keberadaan hubungan antara 2 atau lebih variabel. Korelasi
adalah suatu ukuran hubungan linier antar variabel. Contoh, peneliti ingin melihat apakah
terdapat hubungan antara Minat Mahasiswa atas Matakuliah Pengantar Ilmu Politik (x)
dengan Minat Mahasiswa untuk Berpolitik Praktis (y).
Banyak penelitian meminati keberadaan hubungan antara 2 atau lebih
variabel. Korelasi adalah suatu ukuran hubungan linier antar variabel.
Contoh, peneliti ingin melihat apakah terdapat hubungan antara Minat
Mahasiswa atas Matakuliah Pengantar Ilmu Politik (x) dengan Minat
Mahasiswa untuk Berpolitik Praktis (y). Potret Indonesia
Kedua variabel tersebut, x dan y, bisa berhubungan dengan salah satu
dari 3 cara berikut:
1. Hubungan Positif. Artinya, semakin berminat seorang mahasiswa
atas Matakuliah Pengantar Ilmu Politik, semakin besar minat mereka
untuk Berpolitik Praktis.
2. Tidak Ada Hubungan. Artinya, minat mahasiswa atas matakuliah
Pengantar Ilmu Politik tetap sama kendati mereka berminat untuk
Berpolitik Praktis.
3. Hubungan Negatif. Artinya, semakin mahasiswa berminat atas
matakuliah Pengantar Ilmu Politik, semakin tidak berminat
mahasiswa untuk Berpolitik Praktis.
Cara termudah guna melihat apakah dua variabel berhubungan adalah
dengan melihat apakah mereka memiliki covarians. Pemahaman atas
covarians menuntut kita memahami konsep varians. Varians suatu
variabel mewakili rata-rata perbedaan data variabel tersebut dengan nilai
Mean-nya. Rumus varians sebagai berikut:

Mean sampel diwakili

adalah nilai yang hendak dicari dan


(sampel). Jika kita tertarik apakah kedua
harus melihat apakah perubahan di
perubahan di variabel lainnya. Kala satu

N adalah jumlah pengamatan


variabel berhubungan, maka kita
satu variabel disusul dengan
variabel menyimpang dari Mean,

maka kita bisa berharap bahwa variabel lain juga menyimpang dari Meannya dengan cara serupa. Agar lebih jelas, lihat data berikut:

Jika terdapat hubungan di antara kedua variabel, maka kala satu variabel
menyimpang dari Mean diikuti penyimpangan yang sama oleh variabel
lainnya, baik searah atau berlawanan. Rumus covarians sebagai berikut:

Menghitung covarians adalah cara yang baik guna menilai apakah 2


variabel punya hubungan. Jika nilai covarians positif maka kala satu
variabel menyimpang dari Mean diikuti oleh penyimpangan pada variabel
lain secara searah. Jika nilai covarians negatif maka kala satu variabel
menyimpang dari Mean diikuti oleh penyimpangan variabel lain secara
berlawanan. Namun, covarians ini bukan uji standar guna menentukan
hubungan.
Standardisasi
Masalah uji standar bagi hubungan antar variabel diselesaikan lewat
konversi. Artinya, covarians dikonversikan ke dalam unit yang lebih
standar. Proses ini dinamakan standardisasi. Dalam kajian statistik, ukuran
standar ini adalah Standar Deviasi. Jika kita membagi setiap
penyimpangan nilai observasi terhadap Mean dengan Standar Deviasi,
maka kita akan mendapat jarak dalam satuan Standar Deviasi.
Singkatnya, jika kita ingin mengekspresikan covarians ke dalam unit
standar pengukuran, kita tinggal membaginya dengan Standar Deviasi.
Dengan demikian jika terdapat 2 variabel, maka akan terdapat 2 Standar
Deviasi. Kini, kala kita hendak menghitung covarians, sesungguhnya kita
menghitung 2 penyimpangan lalu mengkalikan mereka. Lalu, kita
melakukannya secara sama terhadap Standar Deviasi. Kita mengkalikan
mereka dan membaginya dengan hasil perkalian ini. Covarians yang
sudah distandardisasi dinamakan Koefisien Korelasi. Rumusnya sebagai
berikut:

Rumus di atas dikenal dengan nama korelasi Pearson Product-Moment


atau Pearson Correlation Coefficient dan ditemukan oleh Karl Pearson.
Jenis lain uji korelasi yang populer digunakan adalah Spearman Rank
Correlation (rho). Uji statistik korelasi ini banyak digunakan untuk statistik
nonparametrik yang datanya tidak berdistribusi normal dan diukur
menggunakan skala ordinal. Tulisan ini hanya akan membahas uji korelasi
Pearson Product Moment.
Pearson Product Moment
Adapun rumus Pearson Product Moment (r) adalah sebagai berikut di
bawah ini:

Lihat tabel di bawah ini dalam perhitungan korelasi Pearson:

Cara melakukan perhitungan manual untuk uji korelasi di atas adalah


sebagai berikut

Asumsi Uji Korelasi


Sebelum diimplementasi, uji Korelasi terlebih dulu harus memenuhi
serangkaian asumsi. Asumsi-asumsi uji Korelasi adalah:
1. Normalitas. Artinya, sebaran variabel-variabel
dikorelasikan harus berdistribusi normal.

yang

hendak

2. Linearitas. Artinya hubungan antara dua variabel harus linier.


Misalnya ditunjukkan lewat straight-line.
3. Ordinal. Artinya, variabel harus diukur dengan minimal skala
Ordinal.
4. Homoskedastisitas. Artinya, variabilitas skor di variabel Y harus
tetap konstan di semua nilai variabel X.
Cara Uji Asumsi Korelasi dengan SPSS
1.

Normalitas

Uji Normalitas bisa dilakukan dengan teknik Kolmogorov-Smirnov. Data


yang normal adalah Sig. Kolmogorov-Smirnov hitung > Sig. Penelitian
(0,05). Cara melakukan uji normalitas dengan SPSS adalah:
1. Klik Analyze --> Nonparametric Tests --> 1-Sample K-S.
2. Pada jendela One-Sample Kolmogorov-Smirnov Test, masukkan
variabel x1, x2, x3, x4, dan y ke kota Test Variable List.
3. Pastikan sudah terceklis Normal pada Test Distribution.
4. Klik OK.

5. Linieritas. Linieritas terlihat apabila skor variabel X meningkat, skor


variabel Y juga meningkat. Plot-plot data cenderung mengikuti garis
diagonal Z yang menaik. Uji asumsi dengan SPSS sangatlah mudah,
caranya adalah:
6. Klik Graphs --> Scatter/Dot...
7. Klik icon Simple Scatter
8. Klik Define untuk membuka jendela Simple Scatter plot.
9. Masukkan variabel Y ke Y Axis ---> Masukkan variabel X ke X Axis.
10. Klik Options --> Ceklis Exclude cases listwise.
11. Klik Continue
12. Klik OK.
2.

Ordinal.

Masih terdapat sejumlah perdebatan diantara para ahli apakah skala sikap
(misal: sangat setuju, setuju, agak setuju, kurang setuju, tidak setuju,
sangat tidak setuju) masuk kategori ordinal atau interval. Juga, uji Pearson
apakah layak ditimpakan pada skala Interval dan Rasio ataukah minimal
Ordinal bisa menggunakannya.
Robert Ho menyatakan bahwa skala Ordinal pun layak ditimpakan uji
korelasi Pearson. Mengenai apakah skala sikap masuk ke dalam kategori
skala Ordinal atau Interval, Donald P. Schwab menjawab bahwa skala
sikap boleh dimasukkan ke dalam skala Interval. Atau, jika tidak bisa,
sekurangnya mendekati Interval. Schwab memutuskan, dengan
demikian uji-uji statistik yang diperuntukkan bagi skala Interval bisa
ditimpakan kepada yang mendekati interval tersebut.
3.

Homoskedastisitas.

Dalam menguji asumsi Homoskedastisitas dilakukan secara grafis. Dengan


SPSS hal ini sangat mudah. Caranya adalah sebagai berikut:
Caranya dengan melihat grafik persilangan SRESID dengan ZPRED pada
output hasil SPSS. Caranya sebagai berikut:
1. Klik Analyze --> Regression --> Linear
2. Masukkan variabel y ke Dependent.

3. Masukkan variabel-variabel x ke Independent(s)


4. Klik Plot.
5. Isikan SRESID pada y-axis dan ZPRED pada x-axis.
6. Klik Continue.
7. Saksikan hasilnya pada Output SPSS.

Perhatikan grafik scatterplot. Ingat, Homoskedastisitas terjadi jika varians


dari residual satu pengamatan ke pengamatan lain tetap atau sama.
Heteroskedastisitas terjadi jika varians dari residual satu pengamatan ke
pengamatan lain tidak sama atau tidak tetap.
Homoskedastisitas terjadi jika tidak terdapat pola tertentu yang jelas,
serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu X.
Heteroskedastisitas terjadi jika terdapat titik-titik memili pola tertentu
yang teratur seperti bergelombang, melebar kemudian menyempit.
Uji Korelasi Pearson dengan SPSS
Melakukan uji Korelasi Pearson untuk mencari nilai r dengan SPSS
sangatlah mudah. Caranya sebagai berikut:
1. Klik Analyze --> Correlate --> Bivariate
2. Klik Masukkan variabel x1, x2, x3, dan y ke kotak Variables.
3. Pada bagian Correlation Coefficients, ceklis Pearson.
4. Pada bagian Test of Significance, ceklis Two-tailed.
5. Klik Options --> Ceklis Means and standard deviations --> Ceklis
Exclude cases pairwise.
6. Klik Continue.
7. Klik OK.
8. Saksikan hasilnya pada Output SPSS.
Contoh Output Hasil SPSS sebagai berikut:

Hipotesis penelitian adalah:

Interpretasi Hasil Uji Korelasi


Penelitian (contoh) hendak menguji apakah terdapat hubungan antara
Budaya Organisasi (x1) dan Iklim Organisasi (x2) dengan Kepuasan Kerja
(y). Hasil uji statistik menggunakan Pearson Product Moment (sudah
tertera di atas). Bagaimana melakukan penafsiran?
Korelasi. Jika suatu hubungan tidak sama dengan 0, maka dapat
dikatakan terjadi hubungan. Perhatikan baris-baris Pearson Correlation, di
mana dihasilkan hasil-hasil berikut:
1. Budaya Organisasi berhubungan secara positif dengan Kepuasan
Kerja sebesar 0,451 (r = 0,451).
2. Iklim Organisasi berhubungan secara positif dengan Kepuasan Kerja
sebesar 0,838 (r = 0,838).
Dengan demikian, terdapat hubungan antara variabel x1 dan x2 dengan y.
Hipotesis-hipotesis 0 di atas, sebab itu, ditolak.
Signifikansi. Signifikansi bisa ditentukan lewat baris Sig. (2-tailed). Jika
nilai Sig. (2-tailed) < 0,05, maka hubungan yang terdapat pada r dianggap
signifikan. Hasil uji signifikansi (di atas) adalah:

Nilai r hubungan Budaya Organisasi dengan Kepuasan Kerja adalah


0,000. Artinya, 0,000 < 0,05 dan dengan demikian korelasi antara
kedua variabel signifikan.

Nilai r hubungan Iklim Organisasi dengan Kepuasan Kerja adalah


0,000. Artinya, 0,000 < 0,05 dan dengan demikian korelasi antara
kedua variabel signifikan.

Interval Kekuatan. Sejumlah penulis statistik membuat interval


kategorisasi kekuatan hubungan korelasi. Jonathan Sarwono, misalnya,
membuat interval kekuatan hubungan sebagai berikut:

Atau penulis lain seperti D.A de Vaus menginterpretasikannya sebagai


berikut:

Untuk korelasi negatif (-) interpretasi adalah sama.


Koefisien Determinasi. Koefisien Determinasi digunakan untuk
menafsirkan skor korelasi Pearson (r). Caranya dengan mengkuadratkan
nilai r tersebut. Nilai r harus dikuadratkan karena ia bukan berada dalam
skala Rasio. Akibatnya, kita tidak bisa melakukan operasi aritmetika
(kurang, bagi, kali, tambah) terhadap nilai r tersebut. Guna mencari nilai
Koefisien Determinasi, dilakukan langkah berikut:

Nilai r Budaya Organisasi Kepuasan Kerja = 0,451 x 0,451 =


0,2034. Kalikan nilai ini dengan 100% maka 0,2034 x 100% =
20,34%.

Nilai r Iklim Organisasi Kepuasan Kerja = 0,838 x 0,838 = 0,7022.


Kalikan nilai ini dengan 100% maka 0,7022 x 100% = 70,22.

Penafsiran Koefisien Determinasi adalah:

Sebesar 20,34% varians Kepuasan Kerja dapat dijelaskan oleh Budaya


Organisasi. Sebesar 70,22% varians Kepuasan Kerja dapat dijelaskan oleh
Iklim Organisasi.
---------------------------------