PENGERTIAN KORELASI, KORELASI SEDERHANA, BERGANDA,

PARSIAL DAN RANK SPEARMAN

PENGERTIAN KORELASI

Persoalan pengukuran, atau pengamatan hubungan antara dua peubah X dan Y,

berikut ini akan kita bicarakan sesuai dengan referensi yang kami peroleh dalam
beberapa literatur. Tulisan ini tentu saja tidak selengkap seperti halnya tulisan tentang
Pengertian Korelasi dalam buku Statistika yang ditulis oleh, Ronald E. Walpole,
Sugiono, Murray R. Spiegel, atau beberapa Statistikawan yang memang saya kagumi
ke-pakar-annya. Akan tetapi setidaknya bisa dijadikan bacaan tambahan bagi
mahasiswa yang ingin mengetahui lebih jauh tentang persoalan korelasi atau
persoalan-persoalan lain yang berkaitan dengan hubungan antar dua peubah.

Kita tidak akan dan bukan meramalkan nilai Y dari pengetahuan mengenai peubah
bebas X seperti dalam regresi linier. Sebagai misal, bila peubah X menyatakan
besarnya biaya yang dikeluarkan untuk membeli Pupuk dan Y adalah besarnya hasil
Produksi Padi dalam satu kali musim tanam, barangkali akan muncul pertanyaan dalam
hati kita apakah penurunan biaya yang dikeluarkan untuk membeli Pupuk juga
berpeluang besar untuk diikuti dengan penurunan hasil Produksi Padi dalam satu
musim tanam. Dalam studi empiris lain, bila X adalah harga suatu barang yang
ditawarkan dan Y adalah jumlah permintaan terhadap barang tersebut yang dibeli oleh
konsumen, maka kita membayangkan jika nilai-nilai X yang besar tentu akan
berpasangan dengan nilai-nilai Y yang kecil.

Dalam hal ini kita tentu saja mempunyai bilangan yang menyatakan proporsi
keragaman total nilai-nilai peubah Y yang dapat dijelaskan oleh nilai-nilai peubah X
melalui hubungan linear tersebut. Jadi misalkan suatu korelasi memiliki besaran r =
0,36 bermakna bahwa 0,36 atau 36% di antara keragaman total nilai-nilai Y dalam
contoh kita, dapat dijelaskan oleh hubungan linearnya dengan nilai-nilai X.
Contoh lainnya adalah, misal koefisien korelasi sebesar 0,80 menunjukkan adanya
hubungan linear yang sangat baik antara X dan Y. Karena r2 = 0,64, maka kita dapat
mengatakan bahwa 64 % di antara keragaman dalam nilai-nilai Y dapat dijelaskan oleh
hubungan linearnya dengan X.

Besaran koefisien korelasi contoh r merupakan sebuah nilai yang dihitung dari n
pengamatan sampel. Sampel acak berukuran n yang lain tetapi diambil dari populasi
yang sama biasanya akan menghasilkan nilai r yang berbeda pula. Dengan demikian
kita dapat memandang r sebagai suatu nilai dugaan bagi koefisien korelasi linear yang
sesungguhnya berlaku bagi seluruh anggota populasi. Misalkan kita lambangkan
koefisien korelasi populasi ini dengan . Bila r dekat dengan nol, kita cenderung
menyimpulkan bahwa = 0. Akan tetapi, suatu nilai contoh r yang mendekati + 1 atau
1 menyarankan kepada kita untuk menyimpulkan bahwa 0.
Masalahnya sekarang adalah bagaimana memperoleh suatu peng-uji-an yang
akan mengatakan kepada kita kapan r akan berada cukup jauh dari suatu nilai tertentu
o, agar kita mempunyai cukup alasan untuk menolak hipotesis nol (Ho) bahwa = o,
dan menerima alternatifnya. Hipotesis alternatif bagi H1 biasanya salah satu di antara
< o, > o, atau o.

1. J Supranto, Statistika, Teori Dan Aplikasi, Penerbit Erlangga, Jakarta, 1987.

2. Riduan, Dasar-dasar Statistika, Penerbit ALFABETA, Bandung, 2005.

3. Ronald E. Walpole, Pengantar Statistika, Edisi ke-3, Penerbit PT. Gramedia

Pustaka Utama, Jakarta, 1992.

4. Suharto, Kumpulan Bahan Kuliah, Pengantar Statistika, UM Metro, Lampung,

2007.

5. Murray R. Spiegel, Seri Buku Schaum, Teori dan Soal, Statistika, Edisi Kedua.
Alih Bahasa oleh Drs. I Nyoman Susila, M.Sc. dan Ellen Gunawan, M.M.,
Penerbit Erlangga, 1988.

1.ANALISIS KORELASI SEDERHANA

Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk

mengetahui keeratan hubungan antara dua variabel dan untuk mengetahui arah
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. VITA ingin mengetahui apakah ada hubungan
antara kecerdasan dengan prestasi belajar pada siswa SMU NEGRI xxx dengan
ini VITA membuat 2 variabel yaitu kecerdasan dan prestasi belajar. Tiap-tiap
variabel dibuat beberapa butir pertanyaan dengan menggunakan skala Likert,
yaitu angka 1 = Sangat tidak setuju, 2 = Tidak setuju, 3 = Setuju dan 4 = Sangat
Setuju. Setelah membagikan skala kepada 12 responden didapatlah skor total
item-item yaitu sebagai berikut:

Tabel. Tabulasi Data (Data Fiktif)

Subjek 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 NEGRI XXX dan
sampel yang diambil dari kasus di atas adalah 12 siswa SMU NEGRI XXX,
jadi apakah hubungan yang terjadi atau kesimpulan yang diambil dapat
berlaku untuk populasi yaitu seluruh siswa SMU Negeri XXX.

Langkah-langkah pengujian sebagai berikut:

1. Menentukan Hipotesis
Ho : Tidak ada hubungan secara signifikan antara kecerdasan dengan
prestasi belajar
Ha : Ada hubungan secara signifikan antara kecerdasan dengan prestasi
belajar
2. Menentukan tingkat signifikansi
Pengujian menggunakan uji dua sisi dengan tingkat signifikansi a = 5%.
(uji dilakukan 2 sisi karena untuk mengetahui ada atau tidaknya hubungan
yang signifikan, jika 1 sisi digunakan untuk mengetahui hubungan lebih
kecil atau lebih besar).
 Tingkat signifikansi dalam hal ini berarti kita mengambil risiko salah dalam
mengambil keputusan untuk menolak hipotesa yang benar sebanyak-
banyaknya 5% (signifikansi 5% atau 0,05 adalah ukuran standar yang
sering digunakan dalam penelitian)
3. Kriteria Pengujian
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 XXX

2. ANALISIS KOEFISIEN KORELASI LINEAR BERGANDA

Adalah indeks atau angka yang diigunakan untuk mengukur keeratan hubungan antara 3
variabel/lebih. Koefisien korelasi berganda dirumuskan :

Ry1.2 =

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

ry1 =
 ry2 =

r1.2 =

Ry1.2 =

Contoh Soal :

RUMAH TANGGA
VARIABEL
I II III IV V VI VII

Pengeluaran (Y) 3 5 6 7 4 6 9

Pendapatan (X1) 5 8 9 10 7 7 11

4 3 2 3 2 4 5
Jumlah Anggota Keluarga (X2)

Pertanyaan :
1. Carilah Nilai Koefisien Korelasinya !
2. Jelaskan makna hubungannya !
Penyelesaian :

No Y X1 X2 Y2 X12 X22 X1Y X2Y X1 X2

1 3 5 4 9 25 16 15 12 20
2 5 8 3 25 64 9 40 15 24
3 6 9 2 36 81 4 54 12 18
4 7 10 3 49 100 9 70 21 30
5 4 7 2 16 49 4 28 8 14
6 6 7 4 36 49 16 42 24 28
7 9 11 5 81 121 25 99 45 55
 40 57 23 252 489 83 348 137 189
Berdasarkan hasil perhitungan diperoleh nilai Korelasi (R) = 0,9686 atau 0,97.
Nilai Korelasi (R) = 0,97 bermakna bahwa hubungan kedua variabel X (X 1 dan X2) sangat kuat
karena nilai R mendekati 1.

3. ANALISIS KORELASI PARSIAL

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

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

ry1.2 =

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

 ry2.1 =

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

r2.1Y =

Analisis korelasi parsial (Partial Correlation) digunakan untuk

mengetahui hubungan antara dua variabel dimana variabel lainnya
yang dianggap berpengaruh dikendalikan atau dibuat tetap (sebagai
variabel kontrol). Nilai korelasi (r) berkisar antara 1 sampai -1, nilai
semakin mendekati 1 atau -1 berarti hubungan antara dua variabel
semakin kuat, sebaliknya nilai mendekati 0 berarti hubungan antara
dua variabel semakin lemah. Nilai positif menunjukkan hubungan
searah (X naik maka Y naik) dan nilai negatif menunjukkan hubungan
terbalik (X naik maka Y turun). Data yang digunakan biasanya berskala
interval atau rasio.
Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi
koefisien korelasi sebagai berikut:
0,00 - 0,199 = sangat rendah
0,20 - 0,399 = rendah
0,40 - 0,599 = sedang
0,60 - 0,799 = kuat
0,80 - 1,000 = sangat kuat
Contoh kasus:
Kita mengambil contoh pada kasus korelasi sederhana di atas
dengan menambahkan satu variabel kontrol. Seorang mahasiswa
bernama Andi melakukan penelitian dengan menggunakan alat ukur
skala. Andi ingin meneliti tentang hubungan antara kecerdasan dengan
prestasi belajar jika terdapat faktor tingkat stress pada siswa yang
diduga mempengaruhi akan dikendalikan. Dengan ini Andi membuat 2
variabel yaitu kecerdasan dan prestasi belajar dan 1 variabel kontrol
yaitu tingkat stress. Tiap-tiap variabel dibuat beberapa butir
pertanyaan dengan menggunakan skala Likert, yaitu angka 1 = Sangat
tidak setuju, 2 = Tidak setuju, 3 = Setuju dan 4 = Sangat Setuju.
Setelah membagikan skala kepada 12 responden didapatlah skor total
item-item yaitu sebagai berikut:

Tabel. Tabulasi Data (Data Fiktif)

 Subjek Prestasi
Kecerdasan Belajar Tingkat Stress
1 33 58 25
2 32 52 28
3 21 48 32
4 34 49 27
5 34 52 27
6 35 57 25
7 32 55 30
8 21 50 31
9 21 48 34
10 35 54 28
11 36 56 24
12 21 47 29

Langkah-langkah pada program SPSS

Masuk program SPSS
Klik variable view pada SPSS data editor
Pada kolom Name ketik x1, kolom Name pada baris kedua ketik x2,
kemudian kolom Name pada baris ketiga ketik y.
Pada kolom Decimals ganti menjadi 0 untuk semua variabel
Pada kolom Label, untuk kolom pada baris pertama ketik Kecerdasan,
untuk kolom pada baris kedua Tingkat Stress, dan kolom pada baris
ketiga ketik Prestasi Belajar.
Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
Buka data view pada SPSS data editor, maka didapat kolom variabel
x1, x2 dan y.
Ketikkan data sesuai dengan variabelnya
Klik Analyze - Correlate - Partial
Klik variabel Kecerdasan dan masukkan ke kotak Variables, kemudian
klik variabel Prestasi Belajar dan masukkan ke kotak yang sama
(Variables). Klik variabel Tingkat Stres dan masukkan ke kotak
Controlling for
Klik OK, maka hasil output yang didapat adalah sebagai berikut:

Tabel. Hasil Analisis Korelasi Parsial

-PARTIAL CORRELATION COEFFICIENTS -

Controlling for.. X2

X1 Y
 X1 1.0000 .4356
( 0) ( 9)
P= . P= .181

Y .4356 1.0000
( 9) ( 0)
P= .181 P= .

(Coefficient / (D.F.) / 2-tailed Significance)

" . " is printed if a coefficient cannot be computed

Dari hasil analisis korelasi parsial (ry.x1x2) didapat korelasi antara

kecerdasan dengan prestasi belajar dimana tingkat stress dikendalikan
(dibuat tetap) adalah 0,4356. Hal ini menunjukkan bahwa terjadi
hubungan yang sedang atau tidak terlalu kuat antara kecerdasan
dengan prestasi belajar jika tingkat stress tetap. Sedangkan arah
hubungan adalah positif karena nilai r positif, artinya semakin tinggi
kecerdasan maka semakin meningkatkan prestasi belajar.

- Uji Signifikansi Koefisien Korelasi Parsial (Uji t)

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

4. KORELASI RANK SPEARMAN

Korelasi Rank Spearman digunakan untuk mencari hubungan atau untuk menguji
signifikansi hipotesis asosiatif bila masing-masing variabel yang dihubungkan berbentuk
Ordinal.
Contoh:
Ada 10 orang responden yang diminta untuk mengisi daftar pertanyaan tentang
Motivasi dan Prestasi dalam sebuah kantor. Jumlah responden yang diminta mengisi
daftar pertanyaan itu 10 karyawan, masing-masing diberi nomor 1, 2, 3, 4, 5, 6, 7, 8, 9,
10. Nilai yang diberikan oleh kesepuluh responden tentang Motivasi dan Prestasi itu
diberikan pada contoh berikut. Yang akan diketahui adalah apakah ada hubungan
antara Motivasi dengan Prestasi.
Berdasarkan hal tersebut maka:
1. Judul penelitian adalah : Hubungan antara Motivasi dengan Prestasi.
2. Variabel penelitiannya adalah : nilai jawaban dari 10 responden tentang
Motivasi (Xi) dan Prestasi (Yi)
3. Rumusan masalah: apakah ada hubungan antara variabel Motivasi dan
Prestasi?
4. Hipotesis:
Ho: tidak ada hubungan antara variabel Motivasi dan Prestasi.
Ha: ada hubungan antara variabel Motivasi dan Prestasi
5. Kriteria Pengujian Hipotesis
Ho ditolak bila harga hitung > dari tabel
Ho diterima bila harga hitung dari tabel
Penyajian data
Jawaban responden yang telah terkumpul ditunjukkan pada Tabel 1 berikut ini:
Tabel 1. Nilai Motivasi dan Prestasi
Nomor Jumlah Skor Jumlah skor
responden
1 9 8
2 6 7
3 5 6
4 7 8
5 4 5
6 3 4
7 2 2
8 8 9
9 7 8
10 6 6
6. Perhitungan untuk pengujian Hipotesis
Data tersebut diperoleh dari sumber yang berbeda yaitu Motivasi (Xi) dan Prestasi (Yi).
Karena sumber datanya berbeda dan berbentuk ordinal, maka untuk menganalisisnya
digunakan Korelasi Rank yang rumusnya adalah:
= 1 ( 6bi 2 : N ( N2 1 )
= koefisien korelasi Spearman Rank
di = beda antara dua pengamatan berpasangan
N = total pengamatan
Korelasi Spearman rank bekerja dengan data ordinal. Karena jawaban responden
merupakan data ordinal, maka data tersebut diubah terlebih dahulu dari data ordinal
dalam bentuk ranking yang caranya dapat dilihat dalam Tabel 2.
Bila terdapat nilai yang sama, maka cara membuat peringkatnya adalah: Misalnya pada
Xi nilai 9 adalah peringkat ke 1, nilai 8 pada peringkat ke 2, selanjutnya disini ada nilai 7
jumlahnya dua. Mestinya peringatnya kalau diurutkan adalah peringkat 3 dan 4. tetapi
karena nilainya sama, maka peringkatnya dibagi dua yaitu: (3 + 4) : 2 = 3,5. akhirnya
dua nilai 7 pada Xi masing-masing diberi peringkat 3,5. Selanjutnya pada Yi disana ada
nilai 8 jumlahnya tiga. Mestinya peringkatnya adalah 2, 3 dan 4. Tetapi karena nilainya
sama maka peringkatnya dibagi tiga yaitu: (2 + 3 + 4) : 3 = 3. Jadi nilai 8 yang
jumlahnya tiga masing-masing diberi peringkat 3 pada kolom Yi. Selanjutnya nilai 7
diberi peringkat setelah peringkat 4 yaitu peringkat 5. Lanjutkan saja..
Tabel 2. Tabel penolong untuk menghitung koefisien korelasi Spearman Rank.
 Nomor Nilai Nilai Peringkat Peringkat bi bi2
Responden Motivasi Prestasi dari (Xi) (Yi)
Resp. I (Xi) Resp. II (Yi)
1 9 8 1 3 -2 4
2 6 7 5,5 5 0,5 0,25
3 5 6 7 6,5 0,5 0,25
4 7 8 3,5 3 0,5 0,25
5 4 5 8 8 0 0
6 3 4 9 9 0 0
7 2 2 10 10 0 0
8 8 9 2 1 1 1
9 7 8 3,5 3 0,5 0,25
10 6 6 5,5 6,5 -1 1
0 7
2
Selanjutnya harga bi yang telah diperoleh dari hitungan dalam tabel kolom terakhir
dimasukkan dalam rumus korelasi Spearman Rank :
= 1 6.7 : ( 10 x 102 -1 ) = 1 0,04 = 0,96
Sebagai interpretasi, angka ini perlu dibandingkan dengan tabel nilai-nilai (dibaca: rho)
dalamTabel 3. Dari tabel itu terlihat bahwa untuk n = 10, dengan derajat kesalahan 5 %
diperoleh harga 0,648 dan untuk 1 % = 0,794. Hasil hitung ternyata lebih besar
dari tabel
Derajat kesalahan 5 %.. 0,96 > 0,648
Derajat kesalahan 1 %.. 0,96 > 0,794
Hal ini berarti menolak Ho dan menerima Ha.
Kesimpulan :
Terdapat hubungan yang nyata/signifikan antara Motivasi (Xi) dengan Prestasi (Yi).
Dalam hal ini hipotesis nolnya (Ho) adalah: tidak ada hubungan antara variabel
Motivasi (Xi) dengan Prestasi (Yi). Sedangkan hipotesis alternatifnya (Ha)
adalah:terdapat hubungan yang positif dan signifikan antara variabel Motivasi (Xi)
dengan Prestasi (Yi). Dengan demikian hipotesis nol (Ho) ditolak dan hipotesis alternatif
(Ha) diterima. Atau dengan kata lain bahwa variabel Motivasi mempunyai hubungan
yang signifikan dengan Prestasi.
Tabel 3: Tabel Nilai-nilai (RHO), Korelasi Spearman Rank
N Derajat signifikansi N Derajat signifikansi
5% 1% 5% 1%
 5 1,000 16 0,506 0,665
6 0,886 1,000 18 0,475 0,625
7 0,786 0,929 20 0,450 0,591
8 0,738 0,881 22 0,428 0,562
9 0,683 0,833 24 0,409 0,537
10 0,648 0,794 26 0,392 0,515
12 0,591 0,777 28 0,377 0,496
14 0,544 0,715 30 0,364 0,478
Sumber:
1. Moh. Nazir, Ph.D. Metode Penelitian, Penerbit Ghalia Indonesia, Jakarta,
2003
2. Sugiono, Prof. Dr. Statistik Nonparametrik Untuk Penelitian, Penerbit CV
ALFABETA Bandung, 2004
3. Suharto, Bahan Kuliah Statistik, Universitas Muhammadiyah Metro, 2004