BAB I

PENDAHULUAN

A. LATAR BELAKANG
Kata korelasi berasal dari bahasa Inggris correlation yang artinya hubungan, saling
hubungan, hubungan timbal balik. Dalam ilmu statistic korelasi adalah hubungan antara dua
variabel atau lebih, hubungan antara dua variabel dikenal dengan istilah Bivariate correlation
sedangkan hubungan antar lebih dari dua variable disebut Multivariate correlation.
Hubungan antara dua variable misalnya hubungan atau korelasi antara prestasi studi
(variable X) dan kerajinan kuliah (variable Y) maksudnnya: prestasi studi ada hubungannya
dengan kerajinan kuliah. Sedangkan hubungan antar lebih dari dua variable, misalnya
hubungan antara prestasi studi (variable) dengan kerajinan kuliah (variable), keaktifan
mengunjungi perpustakaan (variabel dan keaktifan berdiskusi (variabel).
Penelitian korelasi adalah penelitian yang dilakukan untuk mengetahui ada atau tidaknya
hubungan antara dua variabel atau lebih. Untuk menyatakan hubungan digunakan koefisien
korelasi yang besarnya antara 0 – 1.
Terdapat beberapa macam teknik perhitungan korelasi, baik yang parametrik maupun
nonparametrik diantaranya yang akan dibahas dalam pembahasan makalah ini.
B. RUMUSAN MASALAH
 Apa yang dimaksud dengan korelasi?
 Apa saja uji korelasi parametrik?
 Apa saja uji korelasi non parametrik?
C. TUJUAN
 Mengetaui tentang uji korelasi parametrik
 Mengetahui tentang uji korelasi non parametrik

1
 BAB II
PEMBAHASAN

A. KORELASI
Korelasi berarti hubungan timbal balik, yang merupakan salah satu teknik yang digunakan untuk
mencari hubugan antara dua variabel atau lebih yang sifatnya kuantitatif. Misalnya kita akan
menyelidiki apakah ada hubugannya tentang permintaan dan penawaran, hubungan antara
kemelaratan dan kejahatan, hubungan antara keadaan lingkungan dengan sifat pribadi. Hubungan
antara pelayanan dengan kepuasan dan sebagainya.
Jika ada korelasi antara dua gejala, misalnya antara kemelaratan dan kejahatan , biasanya orang
segera menark kesimpulan bahwa antara dua gejala itu terdapat hubungan sebab akibat. Kesimpulan
semacam itu kerap kali tidak benar, Karena semua rangkaia sebab akibat mesti menunjukan korelasi,
tapi tidak semua korelasi menunjukan sebab akibat. Misalnya antara tinggi badan dan berat badan
terdapat korelasi yang meyakinkan. Akan tetapi itu tidak berarti berat badan menjadi sebab tinggi
badan atau sebaliknya. Jadi hubungan antara dua variabel dapat hanya karena kebetulan saja, dapat
pula memang karena hubungan sebab akibat.
Arah hubungan dalam korelasi ada dua, yaitu :
 Bila kenaikan suatu variabel diikuti oleh kenaikan variabel lain, arah ini disebut
arah positif. makin besar nilai variabel 1menyebabkan makin besar pula nilai variabel
2. Contoh : makin banyak waktu belajar, makin tinggi skor Ulangan  korelasi positif
antara waktu belajar dengan nilai ulangan
 Bila kenaikan variabel diikuti penurunan oleh variabel lain, ini disebut arah
negatif. makin besar nilai variabel 1 menyebabkan makin kecil nilai variabel 2. contoh
: makin banyak waktu bermain, makin kecil skor Ulangan  korelasi negatif antara
waktu bermain dengan nilai ulangan
Y Y Y

Lingkaran

Korelasi Korelasi Korelasi

Positif Negatif tidak ada

X X X

2
 Koefisien Hubungan
Pada umumnya besar kecilnya hubungan dinyatakan dengan bilangan. Bilangan
yang menytatakan besar kecilnya hubungan tersebut disebut koefisien hubungan atu
koefisien korelasi. Koefisien korelasi itu berkisar antara 0,00 dan +1,00 (korelasi positif)
dan atau diantara 0,00 sampai -1,00 (korelasi negatif), tergantung pada arah hubungan
positif ataukah negatif. Koefisien yang bertanda positif menunjukkan bahwa arah korelasi
tersebut positif, dan koefisien yang bertanda negatif menunjukkan arah korelasi yang
negatif. Sedangkan koefisien yang bernilai 0,00 menunjukkan tidak adanya korelasi
antara variabel X dan Y.
Bila mana dua variabel mempunyai koefisien korelasi sebesar +1,00 maka berarti
bahwa dua variabel tersebut mempunyai korelasi positif yang sempurna. Sebaliknya
bilamana dua variabel mempunyai koefisien korelasi -1,00, maka berarti dua variabel
tersebut memiliki korelasi negatif yang sempurna. Korelasi yang sempurna semacam itu
sangat jarang sekali dijumpai dalam praktik penyelidikan/penelitian. Korelasi antara dua
variabel pada umumnya akan berkisar antara +1,00 sampai dengan -1,00.
B. KORELASI PARAMETRIK
1. Korelasi product moment atau pearson
Teknis analisis korelasi Pearson atau Product Moment sangat familiar digunakan
oleh berbagai kalangan, karena mudah dipahami dan langsung menggunakan data yang
ada tanpa perlu adanya modifikasi. Korelasi product moment melukiskan hubungan
antara dua gejala interval, seperti tinggi badan dan berat badan, jauh loncatan dan tinggi
loncatan, prestasi matematika dan prestasi statistik dan sebagainya. Dengan demikian
teknik ini bisa diterapkan dalam suatu penelitian apabila data yang digali atau diselidiki
itu merupakan data kontinum yakni kedua data tersebut merupakan gejala interval atau
data interval.
Korelasi product moment disebut juga korelasi Pearson yang merupakan teknik
analisis statistik yang mempunyai kegunaan untuk menganalisis data penelitian yang
mempunyai karakteristik di antaranya:
 Hipotesis yang diajukan adalah hipotesis asosiatif
 Datanya berskala minimal interval atau rasio
 Penyebaran data berdistribusi normal

3
  Terdiri dari dua variabel, 1 Variabel X (Independen) dan 1 Variabel Y (dependen)
 Membuktikan hipotesis yang sifatnya hubungan.
Digunakan untuk mencari hubungan dan membuktikan hipotesis hubungan dua
variabel, bila data kedua variabel berbentruk interval atau ratio, dan sumber data dari
kedua variabel tersebut adalah sama.
Untuk menerapkan koefisien korelasi antara dua variabel yang masing-masing
mempunyai skala pengukuran interval maka digunakan korelasi product moment yang
dikembangkan oleh Karl Pearson.
Rumus korelasi product momen ini ada dua macam, yaitu:
1. Korelasi product moment dengan rumus simpangan (deviasi).
 xy dimana X = (Xi – x)
rxy 
x 2
y 2
Y = (Yi – Y)
Dalam hal ini :
𝑟ϰ𝑦 = Koefisien korelasi antara variabel X dan Y.
ϰ = deviasi dari mean untuk nilai variabel X
𝑦 = deviasi dari mean untuk nilai variabel Y
∑ϰ. 𝑦 = jumlah perkalian antara nilai X dan Y
ϰ2 = Kuadrat dari nilai ϰ
𝑦2 = Kuadrat dari nilai y
2. Korelasi Product moment dengan rumus angka kasar.
Mencari hubungan antara variabel X dan Y
Rumus : rxy  n  xi yi   xi  yi 
n  xi
2
 xi 
2
n  y
i
2
  yi 
2

Pemikiran utama korelasi product - momen antara lain : Jika kenaikan kuantitas
dari suatu variabel diikuti dengan kenaikan kuantitas dari variabel lain, maka dapat kita
katakan kedua variabel ini memiliki korelasi yang positif. Jika kenaikan kuantitas dari
suatu variabel sama besar atau mendekati besarnya kenaikan kuantitas dari suatu variabel
lain, korelasi kedua variabel akan mendekati 1.
Jika kenaikan kuantitas dari suatu variabel diikuti dengan penurunan kuantitas
dari variabel lain, maka dapat kita katakan kedua variabel ini memiliki korelasi yang

4
negatif. Jika kenaikan kuantitas dari suatu variabel sama besar atau mendekati besarnya
penurunan kuantitas dari variabel lain, korelasi kedua variabel akan mendekati -1.
Jika kenaikan kuantitas dari suatu variabel diikuti oleh kenaikan dan penurunan
kuantitas secara random dari variabel lain atau jika kenaikan suatu variabel tidak diikuti
oleh kenaikan atau penurunan kuantitas variabel lain (nilai dari variabel lain stabil), maka
dapat dikatakan kedua variabel itu tidak berkorelasi atau memiliki korelasi yang
mendekati nol.
Pengujian lanjutan yaitu uji signifikasi yang berfungsi apabila peneliti ingin
mencari makna hubungan variabel X terhadap Y, maka hasil korelasi pearson product
moment tersebut diuji dengan uji signifikansi
Keterangan
r n2
r = Nilai koefisien korelasi t 
1 r2
n = Jumlah sampel
Jika t > t tabel; Hipotesis alternatif diterima
Jika t < t tabel; hipotesis alternatif ditolak
Pedoman Untuk Memberikan Interpretasi Terhadap Koefisien Korelasi
NILAI MAKNA

0,00 – 0,19 Sangat rendah/sangat lemah

0,20 – 0,39 Rendah/lemah
0,40 – 0,59 Sedang
0,60 – 0,79 Tinggi/kuat
0,80 – 1,00 Sangat tinggi/kuat
INTERPRETASI
Untuk pengambilan keputusan statistik, dapat digunakan 2 cara:
1. Koefisien Korelasi dibandingkan dengan nilai r tabel (korelasi tabel)
 Apabila Koefisien Korelasi > r tabel, Maka ada korelasi yang signifikan (Ho
ditolak dan Ha Diterima)
 Apabila Koefisien Korelasi < r tabel, Maka tidak ada korelasi yang signifikan
(H0 Diterima dan Ha ditolak)

5
2. Melihat Sig.
 Apabila nilai Sig. < 0,05 Maka ada korelasi yang signifikan (Ho ditolak dan
Ha Diterima)
 Apabila nilai Sig. > 0,05 Maka tidak ada korelasi yang signifikan (H0
Diterima dan Ha ditolak)
Arah hubungan:
Dilihat dari tanda koefisien korelasi
 Tanda (-) berarti apabila variabel X tinggi maka variabel Y rendah
 Tanda (+) berarti apabila variabel X tinggi maka variabel Y juga tinggi
Teknik korelasi product moment, teknik ini digunakan bila variabel yang akan
dikorelasikan datanya bersifat kontinu, homogen atau mendekati homogen dan
regresinya linier
Contoh 1
Untuk keperluan uji korelasi, data yang di dapat dari hasil penelitian disusun seperti
tabel di bawah ini, dimana Variabel X (primordialisme) dan Variabel Y (perilaku
politik).

Judul Penelitian “Hubungan sikap primordialisme dengan perilaku politik anggota

ORMAS “
Variabel X : Pimordialisme

6
Variabel Y : Prilaku politik anggota ORMAS
Hipotesa :
 Ho : Terdapat hubungan negatif yang signifikan antara variabel X dengan
variabel Y
 Ha : Tidak terdapat hubungan negatif yang signifikan antara variabel X
dengan variabel Y
Berdasarkan data yang telah dibuat dalam tabel di atas diperoleh harga-harga sebagai
berikut:
X = 668 Y = 649
X2 = 45499 Y2 = 42131
XY = 43297 n = 10
Mencari r dengan cara masukkan angka statistik dari tabel penolong dengan rumus :

n  xi y i   xi  y i
rxy 
n  xi 2  xi 2 n  yi 2   yi 2 
10( 43297)  668649 
rxy 
10(45499)  6682 10(42131)  649 2 
432970  433532
rxy 
454990  446224 421310  421201
 562
rxy 
8766 109 
 562
rxy 
955494 
 562
rxy 
977,4937
rxy  0,574941943
rxy  0,574

 α= 0,05 dan N = 10 diperoleh r sebesar 0,632.

 Dengan demikian r lebih kecil dari r tabel hitung yaitu (-0,574 < 0,632).
 Hal ini berarti tidak terdapat hubungan negatif yang signifikan antara variabel X
(Primordialisme) dengan variabel Y (Perilaku Politik). Setelah kita menghitung
nilai r, langkah selanjutnya kita menguji signifikansi untuk mengetahui makna
hubungan variabel X terhadap Y dengan rumus t sebagai berikut :

7
 r n  2
t 
1 r2
 0,574 10  2
t 
1  ( 0,574) 2
 0,574 8
t 
1  0,330
 0,574  2,8284
t 
0,67
 1,623
t 
0,818535
t  1,98
Jika dikonsultasikan dengan t dengan dk (n-2) = 8, pada = 0,05 diperoleh t
tabel 0,707 . maka t hitung lebih kecil dari t tabel (-1,98 < 0,707). Jadi Hi
diterima dan Ho ditolak, ini hitung tabel menunjukkan tidak terdapat hubungan
negatif antara variabel X (Primordialisme) dengan variabel Y (Perilaku Politik) yang
signifikan atau berarti.
Penelitian yang tidak menunjukkan adanya korelasi yang signifikan
sebenarnya tidak perlu dicari besarnya kontribusi variabel X terhadap variabel Y.
Tetapi kalau kita mau melihat besarnya kontribusi variabel X terhadap variabel Y
dapat digunakan rumus sebagai berikut:

Sebagai contoh dalam kasus ini misalnya diperoleh nilai r adalah sebesar -0,574,
sehingga besarnya kontribusi variabel X terhadap variabel Y adalah sebagai berikut :

Kd = r x 100%
Kd = (0,574)² x 100%
Kd = (0,329) x 100%
Kd = 32.9%
Artinya primordialisme memberikan konstribusi terhadap perilaku politik anggota
kelompok ORMAS sebesar 32.9% dan sisanya 67.1% ditentukan oleh variabel lain.

8
Contoh 2
Pengerjaan dengan spss
Seorang peneliti ingin mengetahui korelasi antara kemampuan kerja, motivasi kerja,
dan produktivitas kerja karyawan. Hipotesisnya dapat digambarkan di bawah ini:

Langkah Korelasi Product Moment

1. Klik Analyze Correlate Bivariate…
2. Masukkan variabel yang akan dikorelasikan (X1, X2, Y)
3. Pilih Correlation Coefficients: Pearson
4. Klik Continue OK

9
 Korelasi Product Moment antara variabel Kemampuan Kerja (X1) dengan
Produktivitas Kerja (Y) adalah sebesar 0,054 dengan arah positip. Hal ini berarti
perubahan yang dialami oleh kemampuan kerja karyawan akan diikuti secara positip
oleh peroduktivitas kerjanya. Namun setelah diuji signifikansinya, hubungan antara
kedua variabel tersebut tidak signifikan karena nilai P atau Sig. sebasar 0,741 atau
lebih besar dari tingkat kesalahan yang kita pasang 0,05 (5%). Hal ini juga
ditunjukkan oleh tidak adanya tanda bintang pada koefisien korelasi X1Y tersebut.
Korelasi Product Moment antara variabel Motivasi Kerja (X1) dengan
Produktivitas Kerja (Y) adalah sebesar 0,731 dengan arah positip. Hal ini berarti
perubahan yang dialami oleh kemampuan kerja karyawan akan diikuti secara positip
oleh peroduktivitas kerjanya. Setelah diuji signifikansinya, hubungan antara kedua
variabel tersebut signifikan karena nilai P atau Sig. sebasar 0,00 atau lebih kecil
dari tingkat kesalahan yang kita pasang 0,05 (5%). Hal ini juga ditunjukkan oleh
adanya tanda bintang dua ** pada koefisien korelasi X2Y tersebut.

Korelasi Product Moment antara variabel Kemampuan Kerja (X1) dengan

Produktivitas Kerja (Y) seperti telah kita dapatkan adalah sebesar 0,054 dengan arah
positip. Grafik di atas juga menunjukkan ada hubungan positip antara kemampuan
10
 kerja dengan produktivitas, namun demikian hubungan tersebut tidak signifikan. Kita
bisa melihat garis regresinya mempunyai slope yang tidak begitu miring, bahkan
cenderung datar. Hal ini semakin membuktikan bahwa walaupun ada hubungan postif
antara dua variabel tersebut namun tidak bermakna.
2. Korelasi parsial
Analisis korelasi parsial (Partial Correlation) digunakan untuk pengukuran
hubungan antara variabel independen dengan variabel dependen dengan salah satu
variabel independen dianggap tetap (dikendalikan) (sebagai variabel kontrol) dalam
analisis multiple corelation. Korelasi parsial merupakan angka yang menunjukkan
arah dan kuatnya hubungan antara dua variabel atau lebih setelah satu variabel yang
diduga dapat mempengaruhi hubungan variabel tersebut dikendalikan untuk dibuat
tetap keberadaannya. Misalnya r1234 adalah korelasi antara 1 dan 2, dengan
mengendalikan variabel 3 dan 4 dengan asumsi variabel 1 dan 2 berhubungan linier
terhadap variabel 3 dan 4.
Korelasi parsial dapat digunakan pada banyak kasus, misalnya apakah nilai
penjualan suatu komoditi terkait kuat kepada pembelanjaan iklan ketika efek harga
dikendalikan. Jika korelasi parsialnya nol, maka dapat disimpulkan bahwa korelasi
yang dihitung sebelumnya adalah semu.
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.
Rumusnya
ryx1  ryx 2 rx1 x2
Ry.x 1x 2 =
1  r 2 x1 x2 1  r 2 yx 2
Korelasi parsial antara Y dengan X1 dan X2 dianggap tetap
ryx2  ryx1 rx1x2
Ry.x 2 x 1 =
1  r 2 x1x2 1  r 2 yx1
Korelasi parsial antara Y dengan X2 dan X1 dianggap tetap.

11
Sedangkan ryx1, ryx2, rx1x2
n( x1 y )  ( x1 )(  y )
Ryx 1 =
n x12  ( x1 ) 2 (n y 2 ( y ) 2

n( x 2 y )  ( x2 )(  y )
Ryx 2 =
n x22  ( x2 ) 2 (n y 2 ( y ) 2

n( x1 x2 )  ( x1 )(  x2 )
Rx 1x 2 =
n x12  ( x1 ) 2 (n y 2 ( y ) 2
Uji Signifikansi korelasi parsial
Uji signifikansi koefisien korelasi parsial digunakan untuk menguji apakah hubungan
yang terjadi itu berlaku untuk populasi (dapat digeneralisasi).
Digunakan rumus t; dengan dk = n – 1
t = Rp n  3
1 R2 p

Rp : korelasi parsial
Jika t > t tabel, hipotesis alternatif diterima
Hipótesis yang diuji:
H0 ; rp = 0
Ha : rp > 0 ; rp < 0 ; rp ? 0
Pengujian hipótesis menggunakan uji t (tabel distribuís t) dengan derajat kebebasan :
dk = n – 3. Konversi nilai koefisien rp terhadap nilai t hitung menggunakan humus:
Kriteria pengujian hipótesis:
Terima H0 jika t hitung < t tabel, atau
Tolak H0 jika t hitung > t tabel
Korelasi Parsial Dan Kausalitas
mengukur keeratan hubungan antara Y dengan X2 sedangkan X1 dikontrol,
atau korelasi parsial. Pengaruh variable yang dikontrol, disini X1, dikeluarkan. Yaitu,
hitung X2’ = X2 – (b2X1 + a2) dan Y’ = Y – (b1X1 + a1), tetapi harga-harga a dan b
disini dicari melalui regresi linear. Setelah hasilnya diperoleh diperlukan regresi X2’
dengan Y’ : Y’ = b3X2’ + a3

12
 Korelasi yang sejalan dengan kecocokan ini adalah korelasi parsial X2 dengan Y
sedangkan X1 dibuat konstan.
Contoh
Perhatikan kembali kaitan antara heterogenitas dan mobilitas, sementara integrasi
dibuat konstan. Langkah pertama ialah mengeluarkan pengaruh linear integrasi dari
mobilitas dan heterogenitas, dimana kecocokan regresi linear adalah :
Y = -1,831X1 + 45,98 atau Mobilitas = -1,831 (integrasi) + 45,98
Sisa dari kecocokan ini, atau Y’ = Y – (-1,831X1 + 45,98) disajikan pada table 2.1.
Juga kita keluarkan pengaruh linear integrasi dari log heterogenitas.

Tabel Bilangan yang diperlukan untuk menghitung korelasi parsial

X1 = Integrasi, X2 = Log Heterogenitas, Y = Mobilitas
X1 Y Y’ = Y – bX1 – a X2 X2’ = X2 - bX1 - a
19.0 15.0 3.809 1.31 -0.0002
16.4 13.6 -2.352 1.34 0.0328
15.8 17.6 0.550 1.24 -0.0665
15.2 14.7 -3.449 1.35 0.0442
14.2 19.4 -0.580 1.03 -0.2746
14.6 18.6 -1.746 1.60 0.2956
13.8 35.1 14.388 1.03 -0.2741
13.0 15.8 -6.377 1.37 0.0668
12.7 21.6 -1.126 1.28 -0.0229
12.0 12.1 -11.908 1.66 0.3580
11.3 22.1 -3.190 1.31 0.0088
10.9 31.2 5.178 1.25 -0.0508
9.6 38.9 10.498 1.09 -0.2092
8.8 23.1 -6.767 1.47 0.1717
7.2 35.8 3.003 1.21 -0.0864

Y ' = -0.069 X 2 '  0.0068

13
(Y ' )  628.3785
2
( X ' )  0.461886 2
2

 X 'Y '  13.1394 ; rx1x2 = 0.02; rx1y = -0.64; rx2y = -0.60

2

Dengan menggunakan rumus-rumus regresi linear baku, diperoleh :

X2 = 0.00117X1 + 1.288
Heterogenitas = 0.00117 (Integrasi) + 1.288
Sisanya, X2’ = X2 – 0.00117X1 – 1.288, diterakan pada table di atas. Seterusnya kita
gambarkan Y’ dan X2’ pada table dibawah, yang menunjukkan kaitan antara
heterogenitas dan mobilitas bila integrasi dibuat konstan.
Tabel Heterogenitas dan Mobilitas, Integrasi Dikontrol
20
15
10
5
0
-5
-10
-15
-0.3 -0.1 0.1 0.3

Gambar ini mirip sekali dengan gambar cara eksplorasi yang sejajar, table 1.7. Kedua
gambar dihasilkan dengan cara yang sama : pengaruh linear dalam Y dan X2 dicari
lalu dikeluarkan, kemudian sisa digambarkan untuk menunjukkan bagaimana
kemungkinan kaitan Y dan X2 dengan keluarnya X1.
Kita teruskan dengan analisa konfirmasi dan mengukur eratnya kecocokan
antara heterogenitas dan mobilitas, sedangkan integrasi dikontrol, dengan menghitung
korelasi X2’ dan Y’ :
N  X 2 'Y '  ( X 2 ' )(  Y ' )
rY’X2’ =
[ N  ( X 2 ' ) 2  ( X 2 ' ) 2 ][ N  (Y ' ) 2  ( Y ' ) 2 ]

15(13.1394)  (0.0068)(0.069)
=
[15(0.461886)  0.00004624][15(628.3785)  0.004761]
= -0.77
Dengan membuat integrasi konstan dinamakan korelasi parsial mobilitas dan
heterogenitas. Lebih mudah menyatakan eratnya korelasi parsial ini dalam r2, kuadrat

14
 korelasi, disini (-0.77)2 = 0.59, yang berarti bahwa heterogenitas menyebabkan 59%
dari variable pada mobilitas bila integrasi dikontrol. Bagian yang tidak dijelaskan,
yaitu 1 – 0.59 = 0.41, berkorespondensi dengan nisbah dq pada cara eksplorasi
sebesar :
dq Y ' '
 0.60
dq Y '
Kedua pendekatan menunjukkan bahwa sesudah pengaruh integrasi
dikeluarkan, heterogenitas banyak menambah pengertian kita tentang mobilitas. Perlu
dicatat bahwa juga pada analisa konfirmasi, kaitan antara heterogenitas dan mobilitas
lebih erat sesudah integrasi dikontrol. Tanpa pengontrolan, korelasi “ordo–nol” log
heterogenitas dan mobilitas adalah -0.60. Jadi, heterogenitas hanya menjelaskan 36%
variasi mobilitas, sesudah pengontrolan integrasi heterogenitas menjelaskan 59%
variasi pada mobilitas, jadi lebih dari setengahnya.
Perlu ditegaskan kembali bahwa pengontrolan suatu variable tidak selalu
mempererat kaitan antara 2 variabel. Kadang-kadang akan melemahkan,
menghilangkan kaitan lainnya, atau tak mempengaruhinya, atau membalikkan arah
kaitannya : setiap hal dapat terjadi. Satu-satunya jalan ialah mencoba serta melihatnya
sendiri, control X1 dan ambillah X2’ dan Y’.
Pengujian Kesignifikanan Korelasi Parsial
Rp n3
t 
1  R2 p
Dihitung hasil bagi (nisbah) variansi yang dijelaskan dengan yang tak
dijelaskan (parsial r kuadrat dibagi 1 kurang parsial r kuadrat) dan dikalikan dengan
derajat kebebasan (N-3). Derajat kebebasannya menjadi 1 dan N-3 bukan 1 dan N-2
(korelasi sederhana), karena digunakan satu variable lagi (kita control X1).
Pada contoh tadi, kuadrat korelasi parsial antara heterogenitas dan mobilitas bila
integrasi dikontrol adalah :
Rp = 0.59 jadi

15
 Rp n
t 
1  Rp
2

0,59 15  3
t 
1  0,59 2
0,59 15  3
t 
1  0,59 2
t  17, 268

Yang signifikan melampaui taraf 1%. Jadi pengaruh heterogenitas nyata atas
mobilitas, integrasi dikontrol. Seperti korelasi sederhana, korelasi parsial simetris :
tak dapat ditentukan apakah heterogenitas yang variable bebas dan mobilitas variable
tak bebas, ataupun sebaliknya. Sering diamati bahwa korelasi yang besar antara X dan
Y tidak berarti bahwa X penyebab Y.
3. Korelasi Ganda
Korelasi ganda (multiple correlation) adalah korelasi antara dua atau lebih
variable bebas secara bersama-sama dengan suatu variable terikat secara bersamaan.
Angka yang menunjukkan arah dan besar kuatnya hubungan antara dua atau lebih
variable bebas dengan satu variable terikat disebut koefisien korelasi ganda, dan basa
disimbolkan R.
Korelasi Ganda dua var independen dengan satu var dependen

Rumusnya korelasi ganda…

RyX1X2 =
r 2 yx1  r 2 yx 2  2ryx1ryx 2 rx1x 2
1  r 2 x1x 2
Di mana :
Ryx1x2 : korelasi antara X1 dan X2 bersama-sama dengan Y
ryx1 : korelasi product moment Y dengan X1

16
ryx2 : korelasi product moment Y dengan X2
rx1x2 : korelasi product meoment X1 dengan X2
Uji Signifikansi nilai R…

R2 / k
Fh 
(1  R 2 ) /( n  k  1)
Di mana :
R : koefisien korelasi ganda
k : banyaknya variabel independen
n : banyaknya anggota sampel
 Konsultasikan dengan tabel F; dengan dk pembilang = k dan dk penyebut = n
– k -1.
 Jika Fh > F tabel, maka hipotesis alternatif diterima.
Hipótesis yang diuji:
H0 ; R = 0
Ha : R > 0 ; R < 0 ; R ? 0
Pengujian hipótesis menggunakan uji F (tabel distribuís F) dengan derajat kebebasan
(dk):
dk1  dk pembilang = k (k =banyaknya variable bebas)
dk2  dk penyebut = n-k-1 (n = banyaknya pasang data/sampel)
Kriteria pengujian hipótesis:
 Terima H0 jika Fhitung < Ftabel, atau
 Tolak H0 jika Fhitung > Ftabel
Guna korelasi ganda
 Digunakan untuk mencari hubungan antara dua variabel bebas atau lebih yang
secara bersama-sama dihubungkan dengan variabel terikatnya
 Sehingga dapat diketahui besarnya sumbangan seluruh variabel bebas yang
menjadi obyek penelitian terhadap variabel terikatnya

17
Contoh 1
Misalnya dari suatu penelitian yang berjudul :”Kepemimpinan dan Tata Ruang
Kantor dalam kaitannya dengan Kepuasan Kerja Pegawai di Lembaga A”.
Berdasarkan data yang terkumpul untuk setiap variabel, dan setelah dihitung korelasi
sederhananya ditemukan sebagai berikut
1. Korelasi antara kepemimpinan dengan Kepuasan Kerja Pegawai, r1 = 0,45
2. Korelasi antara Tata Ruang kantor dengan Kepuasan Kerja Pegawai, r2 = 0,48
3. Korelasi antara Kepemimpinan dengan Tata Ruang Kantor r3 = 0,2
2
ryx  ryx
2
 2 ryx1 ryx2 rx1x2
R yx1x2  1 2

1  rx21x2

R yx1x2 
0,452  0,482  20,450,480,22
1  0,22 
2

Ryx1x2  0,5959
Cari F hitung :
Berdasarkan nilai yang ada, dan bila n = 30, maka nilai Fh tersebut adalah :

0,59592
F 2
(1  0,5959  )
2

30  2 1
F  7,43
Liat F Tabel :
dk pembilang  k = 2
dk penyebut  (n – k – 1) = 10 – 2 – 1 = 7
Jika tarap kesalahan 5 %, Maka F tabel = 4,74
Karena F hitung (7,43) > F tabel (4,74), Maka Tolah Ho, atau terima H1
Kesimpulan : Koefisien Korelasi ganda signifikan atau dapat diberlakukan untuk
populasi

18
Contoh 2:
Diketahui data sebagai berikut :
X1 X2 Y
1 3 3
2 1 4
3 4 5
4 5 7
5 2 6
Buktikan bahwa : ada hubungan linear positif dan signifikan antara variabel X1 dan
X2 secara bersama-sama dengan variabel Y
Jawab :
a. didapat nilai-nilai :
ryx1 = +0,900
ryx2 = +0,500
rx1x2 = +0,200
b. hitunglah rhitung dengan rumus sebagai berikut : untuk dua variabel bebas
rumusnya :

ryx2 1  ryx2 2  2 ryx1 ryx2 rx1x2

R yx1x2 
1  rx21x2

0,90 2  0,50 2  2.0,90.0,50.0,20

Ryx1x2 
1  0,20 2
= 0,95
c. tetapkan taraf signifikansi (α) = 0,05
d. tentukan kriteria pengujian R, yaitu :
Ha : tidak siginifikan
H0 : signifikan
Ha : Ryx1x2 = 0
H0 : Ryx1x2 ≠ 0
Jika Fhitung ≤ Ftabel maka H0 diterima
e. Cari Fhitung dengan rumus :

19
 R2
F  k
(1  R 2 )
n  k 1

0,95 2
F 2
(1  0,95 2 )
5  2 1
F=9
f. Cari Ftabel = F(1-α), kemudian dengan
dkpembilang = 2
dkpenyebut = 5-2-1 = 2
F(0,95)(2,2) = 19
g. ternyata 9 < 19 atau Fhitung < Ftabel, sehingga H0 diterima
kesimpulannya : ” terdapat hubungan yang signifikan antara X1 bersama-sama dengan X2
dengan Y”

C. KORELASI NON PARAMETRIK

1. Korelasi berjenjang karl spearmen(rank correlation0
Metode ini dikembangkan oleh Charles Spearman tahun 1904. Kalau pada
Pearson, korelasi pasangan variabel X dan Y diukur secara langsung, tetapi pada
motede Rank Spearman sedikit berbeda. Metode ini mengukur keeratan hubungan
berdasarkan rangking dari masing-masing data sehingga disebut rank correlation
coefficient. Sebelum dianalisis, terlebih dahulu data disusun berdasarkan rangking
terhadap data lain. Rumus yang digunakan untuk menghitung korelasi tata jenjang
Spearman adalah sebagai berikut:

20
Uji signifikansi
 Untuk sampel 10 s/d 30 data berpasangan
n2
t  rs
1  rs 2

 jika t hitung > t tabel z ; hipotesis alternatif diterima

Tidak seperti korelasi Pearson, korelasi Rank Spearman tidak mengasumsikan

bahwa hubungan dua variabel bersifat linear. Juga tidak mengharuskan datanya berupa
data interval atau rasio. Korelasi Spearman dapat digunakan untuk data-data ordinal.
Rangking-rangking dalam korelasi spearman tidak mencerminkan posisi jarak yang sama.
Dengan kata lain kalau pada korelasi produk moment, sumber data untuk variabel yang
akan dikorelasikan adalah sama, data yang akan dikorelasikan adalah data interval atau
rasio, serta data dari kedua variabel masing-masing membentuk distribusi normal; maka
dalam korelasi Spearman Rank, sumber data untuk kedua variabel yang akan
dikonversikan dapat berasal dari sumber yang tidak sama, jenis data yang akan
dikorelasikan adalah data ordinal, serta data dari kedua variabel tidak harus membentuk
distribusi normal. Jadi korelasi Spearman Rank adalah bekerja dengan data ordinal atau
berjenjang atau ranking, dan bebas distribusi.
 Nilai korelasi Spearman berada diantara -1 < < 1. Bila nilai = 0, berarti tidak ada
korelasi atau tidak ada hubungannya antara variabel independen dan dependen.
 Nilai = +1 berarti terdapat hubungan yang positif antara variabel independen dan
dependen.
 Nilai = -1 berarti terdapat hubungan yang negatif antara variabel independen dan
dependen.
Dengan -n arah hubungan di antara variabel yang sedang dioperasikan. Korelasi
Uji Rank Spearman digunakan untuk menguji hipotesis hubungan antara dua variabel
Untuk melihat kuat lemahnya hubungan dan arah hubungan antara dua variabel X Y
dengan skala pengukuran variabel minimal ordinal. Dalam Uji Rank Spearman,skala data
untuk kedua variabel yang akan dikorelasikan dapat berasal dari skala yang berbeda
(skala data ordinal dikorelasikan dengan skala data interval ) atau sama (skala data

21
ordinal dikorelasikan dengan skala data ordinal). Jika data berskala interval dan tidak
berdistribusi normal dapat digunakan Korelasi Rank Spearman.
Langkah Langkah – langkah Uji Rank Spearman langkah Uji Rank Spearman
1. Berikan peringkat pada nilai - nilai variabelx dari 1 sampai n. Jika terdapat angka
– angka sama, peringkat yang diberikan adalah peringkat rata – rata dari angka -
angka yang sama.
2. Berikan peringkat pada nilai - nilai variabely dari 1 sampai n. Jika terdapat angka
–angka sama, peringkat yang diberikan adalah peringkat rata-rata dari angka –
angka yang sama.
3. Hitung d untuk tiap-tiap sampel i
4. Kuadratkan masing-masing d dan jumlahkan semua di
5. Hitung Koefisien Korelasi Rank Spearman
Aturan mengambil keputusan

Contoh 1
Sebuah penelitian dilakukan untuk mengetahui korelasi antara motivasi belajar dengan
prestasi belajar statistika. Hasil pengumpulan data dapat dilihat pada tabel di bawah.
Bagaimana kesimpulan yang dapat diambil dari data tersebut ? Hasil uji normalitas, data
tidak terdistribusi normal

22
Dengan hitung manual
6 di
2

rs  1 
n ( n 2  1)
6  34
rs  1 
12(12 2  1)
204
rs  1 
1716
rs  0,881

Dengan hitung SPSS

Contoh analisis

23
Tentukan nila tabel p pada n = 12 dan α = 0,05 0,591
Karena p hitung (0,881) > p tabel (0,591) maka Ho ditolak dan Ha diterima berarti ada
korelasi yang positif antara motivasi belajar dengan prestasi belajar statistika
Contoh 2
Brother tertarik dengan melakukan pengukuran kinerja berdasarkan motivasi karyawan
untuk perusahaan miliknya dengan cara melakukan pengukuran terhadap motivasi kerja
dan kinerja terhadap 10 orang karyawan. Brother mencoba mengetahui apakah ada
hubungan antara nilai skor motivasi dengan skor kinerja. Nilai-nilai skor tersebut adalah
sebagai berikut: Diketahui taraf keyakinan sebesar 95%
No Skor nilai
Motivasi (X) Kinerja (Y)
1 120 60
2 125 70
3 105 75
4 110 85
5 100 62
6 106 90
7 124 62
8 122 76
9 100 80

24
 10 103 100

Penyelesaian:
No. X Y Rank X Rank Y D d2
1 120 60 4 10 -6 36
2 125 70 1 7 -6 36
3 105 75 7 6 1 1
4 110 85 5 3 2 4
5 100 63 10 8 2 4
6 106 90 6 2 4 16
7 124 61 2 9 -7 49
8 122 76 3 5 -2 4
9 101 80 9 4 5 25
10 102 100 8 1 7 49
Jumlah 55 55 0 224

6∑𝑑2
Rs = 1 − 𝑛(𝑛2 −1)
6( 224 ) 1344
Rs = 1 − 10(102 −1) Rs = 1 − 990

Rs = 1 – 1,357
Rs = – 0,357

Dengan taraf keyakinan sebesar 95%, maka dengan n=10 diperoleh harga r Spearman
dalam tabel sebesar 0.648. Karena rs < r table, maka dapat disimpulkan bahwa tidak ada
hubungan (korelasi) yang meyakinkan antara skor nilai motivasi dengan skor nilai kinerja
2. Korelasi berjenjang Kendal tau
Sir Maurice George Kendall pencipta Koefisien korelasi rank Kendall,
merupakan pengembangan dari koefisien korelasi rank Spearman. Analisis korelasi
Kendall Tau juga mendasarkan pada rank correlation. Artinya data-data yang ada diberi
rangking terlebih dahulu. Korelasi ini dikembangkan oleh Maurice Kendall Tau biasanya
digunakan untuk menguji korelasi antara dua variabel yang datanya tidak terdistribusi

25
normal atau tidak diketahui distribusinya Koefisien korelasi ini digunakan pada pasangan
variabel atau data X dan Y dalam hal ketidaksesuaian rank, yaitu untuk mengukur
ketidakteraturan. Koefisien korelasi rank Kendall dirumuskan:

Keterangan:
S = statistik untuk jumlah konkordansi dan diskordansi
C = /- kondkordansi
D = /-diskordansi
N = jumlah pasangan X dan Y
Atau

Dimana :
S = Total skor seluruhnya (grand total),
N = Jumlah sempel
= nilai koefisien Kendall Tau
2 = konstanta
Untuk menghitung koefisien korelasi ini, dapat digunakan langkah-langkah sebagai
berikut:
1. Nilai pengamatan dari variabel yang akan diukur hubungan diberi ranking dari data
terbesar atau terkecil. Jika ranking sama, diambil nilai rata-ratanya.
2. Tentukan nilai patokan berurut dengan menyusun salah satu dari nilai ranking tersebut
secara berurutan, dimulai dari pertama, kedua, dan seterusnya dalam menghitung nilai
konkordansi dan diskordansi.
3. Tentukan nilai konkordansi (+1) dan nilai diskordansi (-1) dari nilai-nilai ranking yang
bukan patokan.
4. Tentukan nilai statistik S dengan menjumlahkan setiap nilai konkordansi dan nilai
diskordansi tersebut.

26
5. Nilai dihitung dengan rumus di atas.

Pada contoh ini, ranking pada variabel X yang diurutkan sehingga ranking pada variabel
Y mengikuti dan akan dicari nilai skor sebenarnya (S).
Mencari nilai S (lihat ranking Y):

Penggunaan formula korelasi kendall T dapat dikoreksi jika data yang digunakan banyak
terdapat angka sama yang berarti juga mempunyai ranking yang sama (untuk angka
sama, ranking dirata-ratakan). Formula dikoreksi menjadi:

27
nilai dari T dan rs tidak sama, walaupun dihitung dari pasangan ranking yang sama,
sehingga kedekatan hubungan (asosiasi) variabel tidak bisa dibandingkan antara nilai T
dan rs . nilai rs biasanya lebih besar dari nilai T. namun demikian ada hubungan antara
dua ukuran tersebut, yaitu:
contoh 3: (lihat data pada contoh korelasi spearman)

28
 Untuk menguji signifikansi hitung, perlu dibandingkan dengan harga-harga kritis
dari tabel Tau Kendall. Ketentuan pengujian adalah bila nilai hitung > ,n maka H0
ditolak. Sepertinya dalam korelasi Spearman rank, korelasi Kendal Tau ( ) digunakan
untuk mencari hubungan dan menguji hipotesis antara dua variabel atau lebih, bila
datanya berbentuk ordinal atau rangking. Kelebihan teknik ini bila digunakan untuk bila

29
menganalisis sampel yang jumlah anggotanya lebih dari 10. dan dapat dikembangkan
untuk mencari koefisien parsial.
Koefisien korelasi ini adalah kelanjutan dari koefisien korelasi Kendall namun
perbedaannya adalah digunakan untuk variabel yang lebih dari dua dan dilihat
hubungannya secara parsial. Misalkan kita mendapatkan ranking untuk 4 subyek dari tiga
variabel: X, Y dan Z. Kita hendak menentukan korelasi antara X dan Y jika Z disisihkan
(dibuat konstan), maka rumus yang digunakan adalah:

Uji signifikansi korelasi Kendall

 Menggunakan tabel nilai z
 Z= 
2(2 N  5)
9 N ( N  1)

Contoh1
Permasalahan : Apakah terdapat hubungan antara Efektifitas Organisasi Dengan
Kemampuan kerja, Motivasi serta Budaya Organisasi ?
Hipotesis :
 H0 : Tidak terdapat hubungan antara Efektivitas Organisasi dengan Kemampuan
kerja, Motivasi serta Budaya Organisasi.
 Ha : Terdapat hubungan antara Efektivitas Organisasi dengan Kemampuan kerja,
Motivasi serta Budaya Organisasi.

30
Hasil Uji Nonparametric Correlations

Sedangkan untuk melihat seberapa besar korelasi ketiga variabel independen (x1, x2 dan
x3) dengan variabel dependen (Y) dipergunakan alat uji konkordansi Kendall. Hasil uji
tersebut adalah sebagai berikut :

Berdasarkan hasil uji SPSS diatas dapat disimpulkan bahwa variabel independen (X1, X2
dan X3) hanya mempengaruhi variabel dependen (Y) sebesar 3,9 % saja disamping itu
juga variabel ketiga variabel independen (X) secara simultan tidak berpengaruh terhadap
variabel dependen (Y) dilihar dari angka asymp sig yang lebih besar dari alpha 0,05.
Contoh2: Untuk mengetahui tingkat kepuasan dan loyalitas pelanggan supermarket A,
manajer supermarket tersebut memberikan kuesioner kepada 30 pelanggan. Ingin
diketahui apakah ada hubungan antara kepuasan dan loyalitas?

31
 Data Kuesioner
Langkah-langkah analsis :
1. Klik Analyze
2. Correlate
3. Bivariate
4. Masukkan variabel ke kolom Variable (s)
5. Pilih Spearman Rho atau Kendall's Tau. Jangan lupa menonaktifkan pilhan
Pearson.
6. Pada test significance,Pilih Two tailed untuk diuji dua sisi.
7. Kemudian OK
Hipotesis
H0= Tidak ada hubungan antara kepuasan dan loyalitas
H1= terdapat hubungan antara kepuasan dan loyalitas.
Kriteria uji : Tolak hipotesis nol (H0) jika nilai signifikansi p-value (< 0.05)
Hasil output SPSS

32
 Output Korelasi Kendal's dan Spearman's Rho
Pada tabel correlation di atas menunjukkan nilai signifikansi p-value 0.004
(<0.05) pada uji kendall's Tau. Jdi kesimpulannya terdapathubungan antara kepuasan dan
loyalitas. Pada uji Spearman's rho tidak jauh berbeda yaitu 0.002.
Untuk mengetahui keeratan hubungan kedua variabel dapat dilihat pada nilai
Correlation Coeffecient. Nilai pada uji Kendall's Tau sebesar 0.516 yang berarti
hubungan sangat erat, demikian juga pada uji Spearman rho menghasilkan nilai sebesar
0.535
3. Koefisien korelasi Phi
Koefisien Phi (π) digunakan untuk mencari hubungan dua variabel diskrit dan
diutamakan diskrit murni bila variabel deskrit dan merupakan variabel diskrit, diubah
dulu menjadi variabel diskrit. Korelasi Phi sering digunakan untuk menentukan validitas
item variabel pertama adalah benar atau salahnya subjek dalam menjawab item,
sedangkan variabel kedua adalah skor total yang dibuat dikotomi.
Koefisien phi dirancang untuk peubah dikhotom. Kita mempunyai dua peubah,
peubah I dan peubah II yang hasil amatannya disajikan dalam bentuk tabel Kontingensi 2
x 2.

33
 Kategori Peubah I
Kategori Peubah II Total
1 2

1 a b a+b
2 c d c+d

Total a+c b+d N

Cara mengubah skor total menjadi dikatomi dapat menggunakan mean atau
median. Jika menggunakan mean sebagai nilai pemisah subjek, ada kemungkinan
banyaknya subjek pada dua kelompok bisa tidak sama. Bila menggunakan mean sebagai
nilai pemisah subjek, banyak subjek untuk kedua kelompok sama.
a. Kelompok yang tidak sama jumlah subjeknya

b. Kelompok yang sama jumlah subjeknya

34
 Nilai phi diantara –1 dan 1
Hubungannya dengan X2 adalah yang mempunyai
sebaran chi-kuadrat dengan 1 derajat bebas.
Teknik korelasi phi, teknik ini digunakan bila data yang akan dikorelasikan adalah
data yang benar-benar dikotomik (terpisah secara tajam) atau variabel diskrit murni.
Misalnya pria-wanita, lulus-tidak lulus dan lain-lain.
Contoh
Pada studi pelecehan seksual ditempat kerja, peneliti mengambil contoh pekerja yang
bukan manager, ditanya apakah mereka pernah mendapat pelecehan seksual ditempat
kerja. Hasilnya setelah diklasifikasi berdasar jenis kelamin dan adanya pelecehan adalah
Pelecehan seksual
Jenis kelamin Ya Tidak Total
Laki-laki 15 35 50
Wanita 50 25 75

Total 65 60 125

Untuk uji nyata kita gunakan

X2 = 125 (-0,3595)2 = 16.16
Karena 16.16 > 3.841, Tolak H0 Jadi kita simpulkan ada asosiasi antara Jenis
kelamin dan Pelecehan seksual
4. Koefisien korelai cramer
Koefisien korelasi ini mengukur tingkat asosiasi atau derajat hubungan antar dua variable
yang dibagi ke beberapa kategori. Perhitungan koefisien korelasi cramer (C ) dilakukan
jika variable- variable mempunyai data nominal dan tidak menunjukkan jenjang.
Rumus :
𝑋² (𝑓𝑜−𝑓𝑒)² (∑ 𝑏𝑎𝑟𝑖𝑠 )(∑ 𝑘𝑜𝑙𝑜𝑚)
𝐶 = √𝑛(𝐿−1) dan 𝑋² = ∑ dimana 𝑓𝑒 =
𝑓𝑒 𝑇𝑜𝑡𝑎𝑙 𝑠𝑎𝑚𝑝𝑒𝑙

Keterangan :
n = banyak sampel
L = banyak baris atau kolom dalam tabel (mana yang lebih kecil)

35
X² = Chi square test
fo = frekuensi observasi
fe =frekuensi yang diharapkan
Contoh :
Apakah terdapat hubungna yang signifikan antara jenjang pendidikan terhadap kepuasan
kerja tenaga medis di Rumah Sakit HIS ?
Kepuasan Jenjang Pendidikan Jumlah
kerja PT Non PT
Puas 10 10 20
Tidak puas 15 5 20
Jumlah 25 15 40
Catatan : file name :korelasi phi
Sebelum menghitung koefisien korelasi Carmer (C ) dihitung dulu besar Chi square
testmelalui frekuensi observasi (fo) dan melaui frekuensi yang diharapakan (fe).
Perhitungan fe untuk puas :
(20)(25) (20)(15)
𝑓𝑒 𝑃𝑇 = = 12,5 dan 𝑓𝑒 𝑛𝑜𝑛 𝑃𝑇 = = 7,5
40 40

Perhitungan fe untuk tidak puas :

(20)(25) (20)(15)
𝑓𝑒 𝑃𝑇 = = 12,5 dan 𝑓𝑒 𝑛𝑜𝑛 𝑃𝑇 = = 7,5
40 40

(fo- fe)² (fo- fe)² / fe

(10-12,5) ² = 6,25 6,25 / 12,5 = 0,50
(10- 7,5) ² = 6,25 6,25/ 7,5 = 0,83
(15- 12,5) ² = 6,25 6,25/ 12,5 =0,50
(5- 7,5) ²= 6,25 6,25/ 7,5 = 0,83
Jumlah (X²) 2,66
Nilai koefisien korelasi carmer (C ) :

𝑋²
𝐶= √
𝑛(𝐿 − 1)

2,66 2,66
𝐶= √ = √ = 0,258
40(2 − 1) 40

36
5. Pengujian niali koefisien korelasi Cramer signifikan atau tidak signifikan, melalui nilai
chi square test (X²) . Langkah pengujian sama dengan pengujian koefisien korelasi phi
karena kasusnya sama yaitu diketahui nilai X²= 2,66 < nilai X² tabel= 3,84 maka Ho
diterima berarti tidak ada hubungan yang signifikan antara jenjang pendidikan dan
kepuasan kerja tenaga medis di RS HIS.
6. Koefisien korelasi kontingensi
Teknik korelasi koefisien kontingensi, teknik ini digunakan bila dua variabel yang
akan dikorelasikan berbentuk kategori atau gejala ordinal. Misalnya tingkat pendidikan
terdiri dari rendah, menengah dan tinggi. Dan Mencari hubungan antar variabel bila
pengukuran datanya bertipe nominal. Fungsinya untuk mengetahui asosiasi atau relasi
antara dua perangkat atribut. Apakah berlaku pada populasinya .
Bila data bergaris diskrit, maka selain menggunakan koefisient phi atau tetra
korik. Bila variabelnya diklasifikasikan menjadi lebih dari dua, koefisient phi atau tetra
korik tidak dapat digunakan.
Teknik ini mempunyai kaitan erat dengan Chi Kuadrat yang digunakan untuk
menguji hipotesis komperatif k sampel independen. Koefisien kontingensi C merupakan
ukuran korelasi antara dua variabel kategori yang disusun dalam tabel kontingensi
berukuran (bxk). Pengujian koefisien kontingensi C digunakan sebagai Uji Kebebasan
(UjiIndependensi) antara dua variabel. Jadi apabila hipotesis nol dinyatakan sebagai C =
0 diterima, berarti kedua variabel tersebut bersifat bebas.
Rumus menghitung Chi kuadrat adalah:

X Z
 fo  fn
2

fn
2=
X Nilai chi kuadrat
Fo= frekuesi yang diperoleh berdasarkan data
Fn= frekuensi yang diharapkan
Untuk menghitung koefisien kontinyansi digunakan rumus:

x2
c
x2  N

37
C= koefisien kontingensi
X2= Nilai chi kuadrat
Contoh1
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 40orang.
Hasil wawancara yang tercatat adalah

swasta pemerintah
Tidak puas 16 10
netral 9 5
puas 15 25

Pengujian hipotesis

38
 x 2  5,027
x2
c 
x2  N
5,027
c 
5,027  80
c  0, 243
Karena nilai x2 = 5,027 < x tabel = 5,991 maka ho diterima artinya hubungan antara
kedua variabel tersebut bersifat tidak nyata atau data disimpulkan tingkat kepuasan
nasabah terhadap pelayanan bank swasta tidak berbeda nyata engan bank pemerintah

Contoh 2
Permasalahan :
Apakah terdapat korelasi antara mata pencaharian dengan jenis obyek wisata yang
dipilih masyarakat ?
Misal
1 = Nelayan 1 = Pantai
2 = PNS 2 = Pegunungan
3 = Peg. Swasta 3 = Belanja
4 = Wiraswasta 4 = Bioskop

Hipotesis :
 H0 = Tidak ada hubungan positif antara mata pencaharian dengan pilihan obyek
wisata.
 Ha = Ada hubungan positif antara mata pencaharian dengan pilihan obyek
wisata.

39
 Hasil Uji Statistik

Berdasarkan perhitungan diatas maka dapat disimpulkan bahwa tidak terdapat

hubungan yang signifikan antara jenis mata pencaharian dengan pilihan rekreasi (H0
diterima). Hal tersebut dapat dilihat dari approx sig sebesar 0,415 yang lebih besar dari
alpha 0,05.
Contoh 3
Suatu penelitian ingin mengetahui: “apakah ada perbedaan diantara mahasiswa Fisip
UNS dalam hal kesukaannya terhadap beberapa jenis musik.?”
Hasil hitung: X2 = 8,5
Yang akan dibuktikan:
Ha -> C ≠ 0
H0 -> C = 0
Besarnya koefisien kontingensi:

40
 x2
c 
x2  N
8,5
c 
8,5  96
c  0, 285

Uji signifikansi :
1. X2 = 8,5  signifikan pada ∂ = 0,02
2. C = 0,285
3. Jadi C ≠ 0
4. Dengan demikian mahasiswa menurut jurusan dan jenis musik yang digemari
berhubungan didalam populasinya.

7. Koefisien korelasi serial

Teknik korelasi point-serial digunakan untuk menghitung korelasi antara dua variabel,
yang satu berskala nominal dan yang lain berskala interval. Misalnya : Korelasi antara jenis
kelamin siswa dengan kecakapan matematika disamping itu, teknik korelasi ini pada
umumnya juga digunakan untuk menerapkan koefisien korelasi (validitas butir) antara butir-
butir tes yang diskor dikotomi (betul=1, salah=0) dengan skor totalnya yang dianggap
berskala pengukuran interval.
Apabila gejala yang berskala nominal tersebut diskor secara dikotomi, maka sering
disebut korelasi point-biserial (rp-bis). Rumusnya adalah sebagai berikut:

Mp  Mt 2 p
Rpbls 
St q
Dimana
Rpbls = koefisien korelasi point biserial
Mp= mean skor dari subjek yang memnjawab betul item yang diolah

41
Mt= Mean skor total
St= standar defiasi skor total
P= Proposi subjek yang menjawab betul item tersebut
Q =1-p
Teknik korelasi point biserial, teknik ini digunakan bila dua variabel yang akan dikorelasikan
variabel pertama berbentuk variabel kontinu, misalnya skor hasil tes. Sedangkan variabel
kedua berbentuk variabel diskrit murni, misalnya salah betul
Digunakan apabila kita hendak mengetahui korelasi antara dua variabel, yang atu variabel
kontinum, sedang yang lain variabel deskrit murni. Hasil perhitungan dengan korelasi
biserial dapat dikonsultasikan ke tabel r hasil korelasi produk moment.

Contoh1 :
Korelasi antara jenis kelamin siswa (gejala nominal) dan kemampuan matematika (gejala
interval)
Tabel: Nilai matematika kelompok pria (1) dan kelompok wanita (2)
Klp. Pria Klp. Wanita
No. 𝐗𝐩𝟐 𝐗𝐰 𝟐
Xp Xw
1 8,6 8,5 73,96 72,25
2 8,4 8,1 70,56 65,61
3 7,8 7,5 60,84 56,25
4 7,2 6,8 51,84 46,24
5 6,9 6,6 47,61 43,56
6 6,7 6,5 44,89 42,25
7 6,6 6,0 43,56 36,00
8 6,5 6,0 42,25 36,00
9 6,4 6,0 40,96 36,00
10 6,2 5,6 38,44 31,36
11 6,0 5,4 36,00 29,16
12 5,8 5,0 33,64 25,00
Jumlah 83,1 78 584,55 519,68

42
 Mean 6,925 6,50 - -
P 0,50 0,50 - -

∑x = ∑xp + ∑xw = (83,1 + 78) = 161,1

∑𝑥 2 = ∑𝑥𝑝2 + ∑𝑥𝑤 2 = (584,55 + 519,68) = 1104,23

∑𝑥 2 ∑x 2 1104,23 161,1 2
SDtot = √ − ( 𝑁 ) = √ 24 − ( 24 ) = √46,01 − 45,05 = 0,98
𝑁

𝑛𝑝 12
𝑃= = = 0,50
𝑁 24

p.q = (0,5). (0,5) = 0,25

𝑀1−𝑀2 6,92−6,50
rp-bis = √𝑝. 𝑞 = √0,25 = 0,217
𝑆𝑡 0,98

Korelasi serial
Teknik korelasi serial ini digunakan untuk menguji hubungan antara dua variabel, yang satu
berskala pengukuran orinal dan yang lain berskala pengukuran interval. Gejala ordinal adalah
gejala yang dibedakan menurut golongan atau jenjangnya, tanpa mengukur jarak antara titik
yang satu dengan titik yang berikutnya. Misalnya: kemampuan ekonomi (kaya, menengah,
miskin) : Kerajinan (rajin, sedang, malas) , prestasi belajar dengan keaktifan dalam
berdiskusi (aktif, sedang, pasif) dan sebagainya.
Sering terjadi dalam penelitian yang membutuhkan pengamatan seperti cenderung
memberikan nilai rata-rata dari pada menilai sangat baik atau sangat buruk. Rumus :

Rser 
 {( Or  Ot )( M )}
 Or  Ot 
SDtot   
 P 
Dimana:
Rser = koefisien korelasi serial
Or= Ordinat yang lebih rendah

43
M = mean
SDtot= standar deviasi total
P= proporsi dalam golongan
Sebagai contoh dibawah ini diuraikan cara menghitung koefisien korelasi serial antara
keaktifan membaca buku-buku di perpustakaan dan ujian akhir suatu mata kuliah tertentu.
Teknik korelasi serial ini juga sering digunakan untuk menghitung korelasi (menetapkan
validitas butir) antara skor butir yang di skor secara dikotomi (dalam hal ini dianggap
berskala pengukuran ordinal) dengan skor total butir (yang dianggap berskala pengukuran
interval).
Teknik korelasi serial yang digunakan untuk menguji korelasi antara skor butir (yang
diskor dikotomi) atau terdiri dari dua jenjang dengan variabel yang diskor interval sering
disebut korelasi bi-serial atau r-bis.
Contoh:
Nilai rata-rata ujian akhir semester menurut keaktifan membaca buku di perpustakaan.
No AKTIF SEDANG PASIF
1 8,0 6,5 6,0
2 8,5 6,8 5,6
3 7,8 6,2 5,4
4 7,2 7,5 5,2
5 8,4 6,3 5,0
6 6,5 6,0
7 6,4
8 6,2
9 6,0
10 7,0
11 6,0
12 6,1
Jumlah skor 46,4 77 27,2 150,6

Jumlah skor 2

Jumlah Individu 6 12 5 23

44
Proporsi 0,261 0,522 0,217 1,00
Mean 7,73 6,42 5,44 -

Kemudian dimasukkan dengan tabel perhitungan sebagai berikut:

TABEL PERHITUNGAN:

(𝑶𝒓 − 𝑶𝒕)𝟐 (Or-Ot).

Golongan N P Ordinat o Or-ot
𝑷 M
Aktif 6 0,261 0 +0,3251 0,4049 +2,513
Sedang 12 0,522 0,3251 -0,031 0,00184 -0,199
Pasif 5 0,217 0,2941 -0,2941 0,3986 -1,600
Total 23 1,00 - - 0,80534 +0,714
𝑆𝐷𝑡𝑜𝑡. =0,948
+0,714 0,714
𝑟𝑠𝑒𝑟 = = = 0,935
(0,948)(0,80534) 0,7635

(𝑜𝑟 − 𝑜𝑡)2
𝑟𝑐ℎ = 𝑟𝑠𝑒𝑟 √∑
𝑝

𝑟ch = 0,935√0,80534
𝑟ch = 0,839
Disamping itu, untuk menafsirkan harga r (koefisien korelasi) maka dapat
dikonsultasikan (dibandingkan) dengan harga kritik r product moment (tabel r). Dalam
hal ini, ditentukan tingkat kesalahan (peluang ralat) adalah 5% (yang biasa digunakan
pada ilmu-ilmu social) dengan melihat pada tabel r berdasarkan N= banyaknya
responden. Contoh: pada perhitungan korelasi product moment dimuka diperoleh harga
r=0,745
Harga r kritik (r tabel) pada tingkat kesalahan 5% dan N=10 adalah r tab=0,632.
Berarti harga r yang diperoleh dari perhitungan (rhit)=0,745> rtab= 0,632. Hal ini
menunjukkan bahwa korelasi antara dua variabel tersebut berarti (signifikan). Jika r
hitung ternyata <r tabel maka dikatakan bahwa korelasi antara kedua variabel tersebut
tidak berarti (tidak signifikan). Jadi, meskipun ada korelasi tetapi secara statistic kurang
berarti.

45
8. Korelasi Chi square
Chi-Square (tes independensi) : menguji apakah ada hubungan antara baris
dengan kolom pada sebuah tabel kontingensi. Data yang digunakan adalah data
kualitatif. Kegunaan teknik Koefisien kontingensi (=C=Continegncy) adalah untuk
mencari/ menghitung keeratan hubungan antara dua variable yang mempunyai gejala
ordinal (kategori), paling tidak berjenis diskrit (nominal). Selain dapat menggunakan
teknik ini dapat pula menggunakan koefisien phi terutama variable diskrit murni.
Cara kerja atau perhitungan Koefisien kontingensi sangat mudah jika harga Chi
Square telah diketahui. Oleh karena itu biasanya para peneliti menghitung harga C
setelah menemukan harga Chi Square (𝑋 2 ). Rumus- rumus yang digunakan adalah :
(𝑓0 − 𝑓ℎ)2
𝑋2 = ∑ 𝑓ℎ

Rumus Koefisien Kontingensi (KK) :

𝑋2
𝐶= √
𝑋2 + 𝑁

Keterangan :
C (KK) : Koefisien Kontingensi
𝑋2 : Harga Chi Square
Dasar pengambilan keputusan :
 X2 hitung < X2 tabel  Ho diterima
 X2 hitung > X2 tabel  Ho ditolak
Harga Chi-Square yang sudah ditemukan dapat pula digunakan untuk menghitung
harga Koefisien phi (o), terutama jika ukuran tabelnya memuat 2x2. Dalam Chi-Square
sama dengan derajat kebebasan , yaitu (b-1) x (k-1).
Rumus yang digunakan adalah :
𝑋2
Phi (∅) = √ 𝑁

Harga X² secara garis besar dapat menunjukkan besar kemungkinan (probabilitas)

tentang perbedaan frekuensi yang diteliti (di observasi= nyata= f˳) dengan frekuensi yang
diharapkan (fh), baik dari kesalahan (fluktuasi) sampling maupun karena memang

46
populasinya mengandung perbedaan (perbedaan murni). Kegunaan X² ini adalah sebagai
alat untuk mengadakan suatu estimasi dan pengujian suatu hipotesis.
Kegunaan untuk mengadakan estimasi setidaknya memenuhi syarat bahwa sigma
f˳ harus sama dengan sigma fh . dengan demikian diestimasikan (ditaksirkan) bahwa jika
perbedaan antara f˳ dan fh besar, maka probabilitas kesalahan sampling adalah kecil.
Artinya, perbedaan antara harga f˳ dan fh menunjukkan keberartian (signifikansi)
perbedaan antara dua variable.
Untuk menguji hipotesisi dapat dilihat dari signifikan atau tidaknya perbedaan
antara harga f˳ dan fh tersebut, yaitu dengan cara mengkonsultasikannya dengan tabel
kritik X². jika harga X² sama atau lebih besar dari harga kritik harga X² tab, dengan sigma
N tertentu sesuai dengan taraf signifikansi yang tersedia, maka dapat disimpulkan bahwa
ada perbedaan yang meyakinkan antara f˳ dan fh.
Contoh 1
data diketahui :
Keluarga patuh tidak mengikuti penyuluhan = 20 orang
Keluarga patuh mengikuti penyuluhan = 35 orang
Keluarga tidak patuh tidak mengikuti penyuluhan = 30 orang
Keluarga tidak patuh mengikuti penyuluhan = 15 orang +
Jumlah (N) = 100 orang
Apakah ada perbedaan yang signifikan antara keluarga yang mengikuti
penyuluhan hokum dan keluarga yang tidak mengkuti penyuluhan hokum terhadap
kepatuhan hukum (variable penyuluhan dan kepatuhan hukum ) ?
Untuk menjawab pertanyaan tersebut langkah awal dibuat tabel kontingensi 2x2 atau
denagn derajat kebebasan (baris 2-1) x (kolom 2-1)=1
Tabel f˳ : hubungan penyuluhan hukum dengan kepatuhan hukum

Tidak penyuluhan Penyuluhan Jumlah

Patuh hukum (a) 20 (b) 35 55
Tidak patuh hk (c) 30 (d) 15 45
Jumlah 50 50 100

47
 Untuk menghitung / mnegetahui fh nya, dapat dilakukan dengan membuat tabel fh
yang mempunyai derajat kebebasan sama dengan tabel f˳. masing- masing sel (a,b,c, dan
d).
∑ 𝑘𝑜𝑙𝑜𝑚
fh = ∑ 𝑡𝑜𝑡𝑎𝑙
𝑋 ∑ 𝑏𝑎𝑟𝑖𝑠
55
fh a = 𝑥 50 = 27.5
100

fh b = 55/100 x 50=27.5
55
fh c = 100 𝑥 50 = 22.5
55
fh d = 100 𝑥 50 = 22.5

Tabel fh : hubungan penyuluhan hukum dengan kepatuhan hukum

Tidak penyuluhan Penyuluhan Jumlah
Patuh hukum (a) 27.5 (b) 27.5 55
Tidak patuh hk (c) 22.5 (d) 22.5 45
Jumlah 50 50 100
Atas dasar perhitungan tabel f˳ dan fh di atas, maka selanjutnya dapat dihitung harga X²
dengan rumus sebagai berikut :

(𝑓˳−𝑓ℎ)2
X² = ∑ 𝑓ℎ

X² = (20 – 27.5)² + (35- 27.5)² + (30 – 22.5)² +

27.5 27.5 22.5
= (15 – 22.5)²
22.5
X² = -7.5² + 7.5² + 7.5² + -7.5²
27.5 27.5 22.5 22.5
X² = 56.25 + 56.25 + 56.25 + 56.25
27.5 27.5 22.5 22.5
X² = 2.05 + 2.05 + 2.05 + 2.05
X² = 9.1
Untuk mengetahui signifikan atau tidak harga X² tersebut, selanjutnya
dikonsultasikan pada tabel harga kritik X² dengan d.b = 1. Pada taraf signifikan 1 % dan

48
d.b.= 1. Diketahui X² tab.adalah 6,63 dan pada taraf signifikan 5% dan d.b= 1.diketahui
X² tab. adalah 3,84. Dari hasil konsultasi itu diketahui bahwa X²hit.> X²tab., artinya ada
perbedaan yang signifikan antara frekuensi yang diobservasi dari sampel (f˳) dengan
frekuensi yang diharapkan dalam sampel sebagaimana mencerminkan frekuensi yang
diharapkan dalam populasi (fh). Dengan demikian dapat disimpulkan bahwa ada
perbedaan yang signifikan antara subjek yang mengikuti penyuluhan hukum dan tidak
mengikuti penyuluhan hukum dengan tingkat kepatuhan hukum. Dengan kata lain, ada
perbedaan tingkat kepatuhan hukum antara subjek yang mengikuti penyuluhan hukum
dan subjek yang tidak mengikuti penyuluhan hukum.
Hasil uji statistic Chi-Square (X²) tersebut menunjukkan adanya pengaruh
aktivitas penyuluhan hukum terhadap tingkat kepatuhan hukum. Bisa juga disimpulkan
bahwa patuh atau tidaknya subjek terhadap hukum sangat ditentukan oleh serta atau
tidaknya subjek dalam kegiatan penyuluhan hukum. Jadi, tingkat kepatuhan hukum
sangat tergantung pada tinggi rendahnya frekuensi subjek mengikuti penyuluhan hukum.
semakin besar perbedaan antara nilai f˳ dan fh nya, maka semakin besar pula pengaruh
variable bebas terhadap variable terikat (besarnya harga X² digunakan untuk menguji
tingkat signifikansi perbedaan antara f˳ dan fh).
Untuk mengetahui tingkat keeratan hubungan antara variable penyuluhan hukum
dengan variable kepatuhan hukum, maka selanjutnya dapat diuji dengan rumus koefisien
kontingensi, yaitu Rumus :

𝑋2
𝐶= √
𝑋2 + 𝑁

Keterangan :
C = koefisien kontingensi X² = harga X² yang diperoleh
Perhitungan :
𝑋2 9.1
𝐶 = √𝑋 2 + 𝑁 = √1.1+100

9.1
C = √109.1 = √0,08

C= 0,29

49
Contoh 2
Permasalahan : Apakah terdapat Peluang Pilihan masyarakat terhadap partai politik di
desa X
Hipotesis :
 H0 : Tidak terdapat perbedaan peluang antar partai politik untuk menang.
 Ha : Terdapat perbedaan peluang antar partai politik untuk menang.Peluang
semua partai politik untuk menang adalah tidak sama.
Hasil Test NPar Tests

Berdasarkan hasil perhitungan tersebut dapat disimpulkan bahwa peluang terpilihnya

keempat partai diatas adalah sama dimana Chi Kuadrat hitung lebih kecil dari Chi
Kuadrat Tabel dan Asymp sig lebih besar dari 0,05 (Signifikansi diatas 0,05 H0 diterima
dan Ha ditolak

50
 BAB III
PENUTUP
SIMPULAN
Korelasi berarti hubungan timbal balik, yang merupakan salah satu teknik yang digunakan untuk
mencari hubugan antara dua variabel atau lebih yang sifatnya kuantitatif.
Arah korlsi yaitu Bila kenaikan suatu variabel diikuti oleh kenaikan variabel lain, arah ini
disebut arah positif. Bila kenaikan variabel diikuti penurunan oleh variabel lain, ini disebut
arah negatif.
Terdapat beberapa macam teknik perhitungan korelasi, baik yang parametrik diantaranya
porduct momen, parsial, gandadan nonparametrik diantaranya Spearmen, Kendal tau,
kontingensi, chi square, cramer, phi,serial.
Teknik korelasi tersebut digunakan sesuai dengan kebutuhan penelitian. Jadi dalam
sebuah penelitian harus memilih teknik korelasi yang tepat untuk menghasikan penelitian
yang benar dn akurat.

51
 DAFTAR PUSTAKA

Syani, Abdul. 1995. Pengantar Statistik Non Parametrik. Dunia Putaka Jaya. Jakarta
Setiawan, Ari dan Sunyoto, Danang. 2013. Statistik Kesehatan. Nuha Medika. Yogyakarta
Djarwanto dan Subagyo, Pangestu.1998. Statistik Induktif. BPFE . Yogyakarta
Budiarto, Eko. 2001. Biostatistika untuk Kedokteran dan Kesehatan Masyarakat. EGC.
Jakarta
Hartono, mpd. 2004. Biostatistik untuk penelitian. Lembaga studi filsafat, kemasyarakatan,
kependidikan dan perempuan
Drs. Y. Slamet, M.sc. 1993. Analisis Kuantitatif Untuk Data Social. Dabara Publisher : Solo

Hadi, Sutrisno. 2000. Metodologi Research. ANDI Yogyakarta. Yogyakarta

Suharto, Kumpulan Bahan Kuliah Statistik, Fakultas Ekonomi Universitas Muhammadiyah
Metro, 1997
Zaenal Mustafa El Qodri, Statistik Terapan, Fakultas Ekonomi Universitas Muhammadiyah
Metro, 1995
Usman, Husaini, Prof.Dr, et.al, Pengantar statistik, Bumi Aksara, Jakarta, 2009
http://id.wikipedia.org/wiki/Korelasi
Algifari. 1997. Analisis Statistik untuk Bisnis dengan Regresi-Korelasi-dan Nonparametrik.
Edisi Pertama. Yogyakarta : BPFE
Sudjana. 1992. Metode Statistik. Bandung : Tarsito
Djarwanto. 1996. Mengenal Beberapa Uji Statistik dalam Penelitian. Edisi Pertama.
Yogyakarta : Liberty.
Statistik Kedokteran dan Kesehatan. M. Sopiyundin Dahlan.
Metode Statistik untuk bisnis dan ekonomi. Dergibson Siagian Sugiarto.2006. Gramedia
http://statistikceria.blogspot.com/2013/12/tutorial-spss-uji-t-pengujian-rata-rata-sampel-tunggal-
single-sample-t-test-parametrik.html
Azuar Juliandi. 2010. Korelasi & Regresi. Diunduh pada 26 Maret 2012 dari Diunduh pada 28
Maret 2012 dari http://azuarjuliandi.com/openarticles/korelasiregresi.pdf
Witri Annisa. 2010. Metode Penelitian Korelasional. Diunduh pada 26 Maret 2012 dari
http://bintangkecilungu.wordpress.com/2010/10/31/metode-penelitian-korelasional-2/

52
NN. 2010. Penelitian Korelasi. Diunduh pada 26 Maret 2012 dari http://www.4skripsi.com/
metodologi-penelitian/penelitian-korelasi.html#axzz1qJlpB0W1
Fitriani Nur. 2011. Penelitian Korelasi dalam Bidang Pendidikan. Diunduh pada 27 Maret 2012
dari http://amanahtp.wordpress.com/2011/12/14/penelitian-korelasi-dalam-bidang-pendidikan/
http://www.globalstatistik.com/detail_artikel.php?id=35

http://abduhalmutawakkil.blogspot.com/2013/03/uji-korelasi-dan-regresi-linear.html

http://bunda-bisa.blogspot.com/2013/04/perbedaan-statistik-parametrik-dan.html

http://forum-statistik.blogspot.com/2012/05/statistik-parametrik-vs-statistik-non.html

http://wahyufalah.blogspot.com/2013/08/statistika-parametrik-dan-non-parametrik.html

http://putrinashir.blogspot.com/2013/02/jenis-uji-statistik-parametrik.html

http://dbcgsbipb.wordpress.com/2012/10/06/statistika-parametrik-vs-statistika-nonparametrik/

http://kitaabah.com/ina/tegal167/perbedaan-statistik-parametrik-dan-statistik-nonparametrik-dalam-
penelitian

http://thofa.page.tl/Analisis-Nonprametrik.htm

http://pelatihan-ui.com/detail.php?mnu=detail_artikel&id=A1212006

53