Korelasi

KONSEP KORELASI
1. Ukuran kekuatan hubungan linear antara dua
pembolehubah yang dikaji

2. Kedua pembolehubah ini dinamakan X (IV) dan

Y(DV) masing masing.

3. Tiga jenis hubungan linear yang mungkin wujud

 Korelasi linear positif

 Korelasi linear negatif
 Tiada korelasi
KONSEP KORELASI
1. Korelasi linear positif (X meningkat, Y meningkat)
2. Korelasi linear negatif (X meningkat, Y menurun)
3. Tiada korelasi (apakah maksudnya?)
KONSEP KORELASI
Korelasi hasil darab
momen Pearson
KONSEP KORELASI
1. Korelasi hasil darab momen Pearson memberi
gambaran tentang hubungan linear antara dua
pembolehubah.

2. Mempunyai magnitud julat -1 hingga +1.

3. Magnitud pada koefisien korelasi menunjukkan

kekuatan hubungan linear yg wujud antara dua
pembolehubah.

4. Tanda (+ve) dan (-ve) menunjukkan arah

hubungan itu negatif atau positif.
CONTOH KEKUATAN KORELASI
KEKUATAN KORELASI
ANDAIAN DALAM KORELASI
1. Data yang dikorelasi dalam skala selang
atau nisbah.
2. Data yang dikorelasi diperoleh daripada
sampel yang bersandaran.
3. Memenuhi normality
4. Memenuhi Homoskedastisity.
5. Hubungan yang wujud - berbentuk linear.
CONTOH PERSOALAN KAJIAN
1. Adakah tempoh jangka hayat (Y) seseorang
akan meningkat apabila skor KP2 (X) pelajar
tersebut meningkat?
2. Adakah tahap kecerdikan (Y) untuk seseorang
wanita akan berubah mengikut kegemaran
membeli belah (X) mereka?
3. Adakah insiden barah buah dada (Y)
mempunyai hubungan dengan kekuatan
sinaran matahari (X) di suatu tempat?
Mistake : Assuming Correlation = Causation

 It’s sometimes overused, but “correlation does

not imply causation”

 Correlation between two variables does not

mean that one variable causes a change in
the other

 For example, data analysis has shown a strong

positive correlation between shirt size and
shoe size.
Scatterplot / Scatter Diagram
SCATTERPLOT
• Salah satu teknik yang baik untuk mendapatkan satu
gambaran hubungan antara dua pembolehubah

• Suatu gambarajah di mana setiap poin data diplotkan

secara dua-dimensi (paksi-x dan paksi-y).
CASES OF CORRELATION
Perfectly linearly Uncorrelated in
correlated in opposite linear fashion
direction

Strongly & positively

Perfectly correlated in correlated in
nonlinear fashion, but linear fashion
uncorrelated linearly.
SCATTER DIAGRAMS
• Dalam menyediakan suatu scatter
diagram, pembolehubah tidak
bersandar (predictor variable)
selalunya diletakkan di paksi-x dan
pembolehubah bersandar (dependent
variable) di paksi-y.
Infant Mortality
(adjusted for gross national product) and
Number of doctors

r = 0.81

Regression Line: The “line of best

fit” that represents a straight line
drawn through the data points.
Life Expectancy and health Expenditure

r = 0.14

Regression Line
BREAST CANCER MORTALITY AND SUNSHINE

r = - 0.75

Regression Line
5 LANGKAH UJIAN HIPOTESIS
1. Tulis Hipotesis
2. Tetapkan alpha ( )
3. Buat pengiraan ; dapatkan df
4. Dapatkan critical value (jadual)
5. Buat Keputusan dan tulis kesimpulan
Formula Matematik
Korelasi Pearson
Formula Matematik
Korelasi Pearson

 r = correlation coefficient
 N = number of observation
 ∑XY = sum of data X and Y
 ∑X² = sum of square of data X
 (∑X)² = square of sum for all the X
Soalan
Kajian dijalankan untuk mengkaji hubungan antara skor KP2
dengan berat badan dalam kalangan pelajar.

N Skor KP2 Berat badan

1 3 30
2 5 35
3 8 41
4 10 50
5 13 51
6 15 60
7 18 65
8 20 66
9 28 70
Langkah 1 Hipotesis kajian
Hipotesis Nul – Tidak terdapat perhubungan
antara skor KP2 dengan Berat Badan pelajar

Hipotesis Alternatif – Terdapat perhubungan

antara skor KP2 dengan Berat Badan pelajar
Langkah 2
•
Analisis
Kajian dijalankan untuk mengkaji hubungan antara skor KP2
dengan berat badan dalam kalangan pelajar.

N Skor KP2 Berat badan x² y² xy

(x) (y)

1 3 30 9 900 90
2 5 35 25 1225 175
3 8 41 64 1681 328
4 10 50 100 2500 500
5 13 51 169 1601 663
6 15 60 225 3600 900
7 18 65 324 4225 1170
8 20 66 400 4356 1320
9 28 70 784 4900 1960
∑x= 120 ∑y = 468 ∑xy = 7106
Formula Matematik

∑x= 120 ∑y = 468 ∑xy = 7106

9(7106) 120 (468)

9(2100) (120)² 9(25988) 468²

Nilai r = 0.953
Very strong positive linear relationship
Kesimpulan

Nilai r = 0.953
Terdapat hubungan positif linear yang sangat kuat
antara skor KP2 dengan berat badan dalam
kalangan pelajar.

Bila skor KP2 meningkat, maka berat badan juga

akan meningkat
Lihat Table A.5 (formula)
Degrees of freedom (df)
is the number of data
points minus 2 or
df = (N – 2).
So, df = 7
Nilai r kira = 0.953
adalah lebih besar
daripada r kritikal =
0.664.

Ini bermaksud hipotesis

nul ditolak.

Maka, wujud hubungan.

CONTOH OUTPUT SPSS
Masukkan data skor KP2 dan Berat Badan
dalam SPSS
Klik Analyze > Correlate > Bivariate
Pindahkan variables, Klik PEARSON, Pilih Two Tailed
Klik OK
Pindahkan variables, Klik PEARSON, Pilih Two Tailed
Klik OK
• Kajian mendapati bahawa pekali korelasi
Pearson menunjukkan wujudnya
hubungan positif yang sangat kuat dan
signifikan antara skor KP2 dan berat badan
[r(7) = 0.953, p <0.05].

• Daripada dapatan kajian ini, kesimpulan

yang boleh dibina adalah terdapat
kemungkinan bahawa semakin tinggi skor
KP2, maka semakin tinggi berat badan.
KONSEP KORELASI SPEARMAN
1. Alternatif bukan parametrik bagi korelasi
Pearson.
2. Koefisien Spearman, ρ dan dianggarkan
dalam bentuk koefisien korelasi , rs .
Disebut juga sebagai rho.
3. Biasanya digunakan apabila data bersifat
kualitatif dan boleh dipangkatkan.
ANDAIAN DALAM KORELASI SPEARMAN
1. Pensampelan rawak
2. Varians adalah sama
3. Ketaksandaran antara sampel
CONTOH SOALAN
Kajian telah dilaksanakan ke atas responden bagi
mengenalpasti hubungan EQ dengan kepuasan kerja dalam
kalangan pekerja Kilang Sony.

Responden Skor
EQ Kepuasan kerja
1 20 14
2 40 19
3 23 16
4 33 17
5 50 23
6 38 20
7 35 26
8 25 22
9 49 15
10 48 25
Langkah Pengujian Hipotesis
1. Nyatakan hipotesis penyelidikan
2. Tetapkan aras signifikan
3. Jika rs > rkritikal, tolak Ho
4. Buat kesimpulan & interpretasi
5. Laporan ringkas
Langkah 1 Hipotesis kajian
Hipotesis Nul – Tidak terdapat perhubungan
antara EQ dengan kepuasan kerja dalam
kalangan pekerja Kilang Sony.

Hipotesis Alternatif – Terdapat perhubungan

antara EQ dengan kepuasan kerja dalam
kalangan pekerja Kilang Sony.
Langkah 2
•
MEMBERI RANKING (PANGKATAN)
•
CONTOH SOALAN
Responden EQ Pangkatan Kepuasan Pangkatan
kerja
p1 p1

1 20 1 14 1 0 0
2 40 7 19 5 2 4
3 23 2 16 3 -1 1
4 33 4 17 4 0 0
5 50 10 23 8 2 4
6 38 6 20 6 0 0
7 35 5 26 10 -5 25
8 25 3 22 7 -4 16
9 49 9 15 2 7 49
10 48 8 25 9 -1 1
FORMULA KORELASI SPEARMAN

It is denoted by the symbol rs (or the Greek

letter ρ, pronounced rho).
FORMULA KORELASI SPEARMAN

6 (100)
FORMULA KORELASI SPEARMAN

600
990
0.394
Dapatkan r kritikal Nilai r kritikal = 0.648
Langkah 3, 4 & 5
1. Nilai r kira (r = 0.394) lebih kecil daripada nilai
r kritikal (r = 0.648), maka pengkaji gagal menolak
hipotesis nul.

2. Tidak terdapat perhubungan antara EQ dengan

kepuasan kerja dalam kalangan pekerja Kilang Sony
[rs = 0.394, n = 10, p <0.05]. Kesimpulan ini dibuat
pada tahap keyakinan 95% dan aras signifikan 0.05.

3. Perhubungan yang lemah (r=0.394) antara skor EQ

dengan kepuasan kerja mungkin wujud secara
kebetulan atau ralat. Kesimpulan yang boleh dibuat
adalah EQ tidak berhubung kait dengan kepuasan
kerja.
CONTOH OUTPUT SPSS
Masukkan data EQ dan kepuasan kerja
dalam SPSS
Klik Analyze > Correlate > Bivariate
Pindahkan variables, Klik Spearman, Pilih Two Tailed
Klik OK
Keputusan Ujian Spearman Rho
Korelasi yang lemah

Korelasi ini tidak signifikan

Keyakinan anda rendah untuk menyatakan nilai ini sememangnya
rendah, iaitu korelasi yang rendah tersebut mungkin berlaku
secara kebetulan. Ini selalu berlaku jika saiz sampel kecil.
POINT PENTING !

• Nilai r dan nilai signifikan adalah dua

hal yang berbeza.

• Anda boleh mendapat r yang kuat, tetapi

kerana sampel anda kecil, nilai tersebut
tidak signifikan, bermakna anda tidak
boleh pasti hubungan yang kuat
tersebut memang wujud atau secara
kebetulan berdasarkan sampel yang kecil.
Terima Kasih