2.

1 Pengertian Korelasi

Secara sederhana, korelasi dapat diartikan sebagai hubungan. Namun ketika dikembangkan lebih
jauh, korelasi tidak hanya dapat dipahami sebatas pengertian tersebut. Korelasi merupakan salah
satu teknik analisis dalam statistik yang digunakan untuk mencari hubungan antara dua variabel
yang bersifat kuantitatif. Hubungan dua variabel tersebut dapat terjadi karena adanya hubungan
sebab akibat atau dapat pula terjadi karena kebetulan saja. Dua variabel dikatakan berkolerasi
apabila perubahan pada variabel yang satu akan diikuti perubahan pada variabel yang lain secara
teratur dengan arah yang sama (korelasi positif) atau berlawanan (korelasi negatif).

Menurut Buku Agus Widarjono korelasi menunjukkan derajat asosiasi atau keeratan hubungan
antara satu variable dengan variable lainnya, korelasi yang tinggi tidak berarti karena satu
variable mempengaruhi variable lain, korelasi yang tingg ini mungkin disebabkan variable
bergerak dalam arah yang sama atau berkebalikan yang dikenal dengan tren.

Menurut Jonathan Sarwono (2006:37) pengertian korelasi adalah “Analisis korelasional

digunakan untuk melihat kuat lemahnya antara variabel bebas dengan tergantung.”

2.2 Jenis-Jenis Korelasi

Korelasi sebagai sebuah analisis memiliki berbagai jenis menurut tingkatannya. Beberapa
tingkatan korelasi yang telah dikenal selama ini antara lain adalah korelasi sederhana, korelasi
parsial, dan korelasi ganda. Berikut ini adalah penjelasan dari masing-masing korelasi dan
bagaimana cara menghitung hubungan dari masing-masing korelasi tersebut.
1. Korelasi Sederhana
Korelasi Sederhana merupakan suatu teknik statistik yang dipergunakan untuk mengukur
kekuatan hubungan antara 2 variabel dan juga untuk dapat mengetahui bentuk hubungan
keduanya dengan hasil yang bersifat kuantitatif. Kekuatan hubungan antara 2 variabel
yang dimaksud adalah apakah hubungan tersebut erat, lemah, ataupun tidak erat.
Sedangkan bentuk hubungannya adalah apakah bentuk korelasinya linear positif ataupun
linear negatif.

Di antara sekian banyak teknik-teknik pengukuran asosiasi, terdapat dua teknik korelasi
yang sangat populer sampai sekarang, yaitu Korelasi Pearson Product Moment dan
Korelasi Rank Spearman. Lalu apa perbedaan di antara keduanya? Korelasi Pearson
Product Moment adalah korelasi yang digunakan untuk data kontinu dan data diskrit.
Korelasi pearson cocok digunakan untuk statistik parametrik. Ketika data berjumlah
besar dan memiliki ukuran parameter seperti mean dan standar deviasi populasi.

Korelasi Pearson menghitung korelasi dengan menggunakan variasi data. Keragaman

data tersebut dapat menunjukkan korelasinya. Korelasi ini menghitung data apa adanya,
tidak membuat ranking atas data yang digunakan seperti pada korelasi Rank Spearman.
Ketika kita memiliki data numerik seperti nilai tukar rupiah, data rasio keuangan, tingkat
pertumbuhan ekonomi, data berat badan dan contoh data numerik lainnya, maka Korelasi
Pearson Product Moment cocok digunakan.

Sebaliknya, Koefisien Korelasi Rank Spearman digunakan untuk data diskrit dan kontinu
namun untuk statistik nonparametrik. Koefisien korelasi Rank Spearman lebih cocok
untuk digunakan pada statistik nonparametrik. Statistik nonparametrik adalah statistik
yang digunakan ketika data tidak memiliki informasi parameter, data tidak berdistribusi
normal atau data diukur dalam bentuk ranking. Berbeda dengan Korelasi Pearson,
korelasi ini tidak memerlukan asumsi normalitas, maka korelasi Rank Spearman cocok
juga digunakan untuk data dengan sampel kecil.
 Korelasi Rank Spearman menghitung korelasi dengan menghitung ranking data terlebih
dahulu. Artinya korelasi dihitung berdasarkan orde data. Ketika peneliti berhadapan
dengan data kategorik seperti kategori pekerjaan, tingkat pendidikan, kelompok usia, dan
contoh data ketegorik lainnya, maka Korelasi Rank Spearman cocok digunakan. Korelasi
Rank Spearman pun cocok digunakan pada kondisi dimana peneliti dihadapkan pada data
numerik (kurs rupiah, rasio keuangan, pertumbuhan ekonomi), namun peneliti tidak
memiliki cukup banyak data (data kurang dari 30).

2. Korelasi Parsial
Korelasi parsial adalah suatu metode pengukuran keeratan hubungan (korelasi) antara
variabel bebas dan variabel tak bebas dengan mengontrol salah satu variabel bebas untuk
melihat korelasi natural antara variabel yang tidak terkontrol. Analisis korelasi parsial
(partial correlation) melibatkan dua variabel. Satu buah variabel yang dianggap
berpengaruh akan dikendalikan atau dibuat tetap (sebagai variabel kontrol).

Sebagai contoh misalnya kita akan meneliti hubungan variabel X2 dan variabel bebas Y,
denganX1 dikontrol (korelasi parsial). Disini variabel yang dikontrol (X1) dikeluarkan
atau dibuat konstan. Sehingga X2’ = X2 – (b2X1 + a2 ) dan Y’ = Y – (b1 X1 +a1 ), tetapi
nilai a dan b didapatkan dengan menggunakan regresi linear. Setelah hasilnya diperoleh,
kemudian dicari regresi X2‘ dengan Y’ dimana : Y’ = b3X2’ +a3. Korelasi yang
didapatkan dan sejalan dengan model-model di atas dinamakan korelasi parsial X2 dan Y
sedangkan X1 dibuat konstan.

Nilai korelasi berkisar antara 1 sampai -1, nilai semakin mendekati 1 atau -1 berarti
hubungan antara dua variabel semakin kuat. Sebaliknya, jika nilai mendekati 0 berarti
hubungan antara dua variabel semakin lemah. Nilai positif menunjukkan hubungan
searah (X naik, maka Y naik) sementara nilai negatif menunjukkan hubungan terbalik (X
naik, maka Y turun).
 Data yang digunakan dalam korelasi parsial biasanya memiliki skala interval atau rasio.
Berikut adalah pedoman untuk memberikan interpretasi serta analisis bagi koefisien
korelasi menurut Sugiyono:

0.00 - 0,199 = sangat rendah

0,20 - 0,3999 = rendah

0,40 - 0,5999 = sedang

0,60 - 0,799 = kuat

0,80 - 1,000 = sangat kuat

3. Korelasi Ganda
Korelasi ganda adalah bentuk korelasi yang digunakan untuk melihat hubungan antara
tiga atau lebih variabel (dua atau lebih variabel independen dan satu variabel dependent.
Korelasi ganda berkaitan dengan interkorelasi variabel-variabel independen sebagaimana
korelasi mereka dengan variabel dependen.

Korelasi ganda adalah suatu nilai yang memberikan kuatnya pengaruh atau hubungan dua
variabel atau lebih secara bersama-sama dengan variabel lain. Korelasi ganda merupakan
korelasi yang terdiri dari dua atau lebih variabel bebas (X1,X2,…..Xn) serta satu variabel
terikat (Y). Apabila perumusan masalahnya terdiri dari tiga masalah, maka hubungan
antara masing-masing variabel dilakukan dengan cara perhitungan korelasi sederhana.

Korelasi ganda memiliki koefisien korelasi, yakni besar kecilnya hubungan antara dua
variabel yang dinyatakan dalam bilangan. Koefisien Korelasi disimbolkan dengan huruf
R. Besarnya Koefisien Korelasi adalah antara -1; 0; dan +1.
 Besarnya korelasi -1 adalah negatif sempurna yakni terdapat hubungan di antara dua
variabel atau lebih namun arahnya terbalik, +1 adalah korelasi yang positif sempurna
(sangat kuat) yakni adanya sebuah hubungan di antara dua variabel atau lebih tersebut,
sedangkan koefisien korelasi 0 dianggap tidak terdapat hubungan antara dua variabel atau
lebih yang diuji sehingga dapat dikatakan tidak ada hubungan sama sekali.

2.3 Prosedur Bivariate Correlation

Prosedur ini digunakan bila Anda ingin mencari hubungan antara dua buah variabel. Ukuran
statistik yang digunakan untuk menghitung hubungan tersebut dinamakan korelasi.

Gambar 1 Kotak Dialog Bivariate Correlations

Kotak teks Variabels digunakan untuk memasukkan variabel-variabel yang akan dianalisis.

Pada kotak Correlation Coefficient, pilihlah salah satu dari alternatif berikut:
1. Pearson digunakan untuk mengukur hubungan antarvariabel bila datanya berbentuk
kuantitatif dan berdistribusi normal.

2. Kendall's tau-b merupakan korelasi untuk ukuran non-parametrik (dimana asumsi data
berdistribusi normal tidak terpenuhi) dari asosiasi variabel Ordinal dan bisa juga
digunakan untuk koefisien korelasi rank. Di samping untuk mengukur asosiasi antar
variabel, nilai koefisien korelasi Kendall's tau-b dapat digunakan sebagai suatu nilai
penduga parameter populasinya.

3. Spearman digunakan untuk menampilkan Spearman'rho, yaitu bila data yang digunakan
tidak memenuhi asumsi normal dan juga bisa untuk data dalam bentuk ranking. Koefisien
korelasi ini sangat cocok untuk variabel Ordinal. Sebagai ukuran asosiasi, statistik ini
pada dasarnya merupakan suatu ukuran yang menyatakan derajat pertalian antara
peringkat-peringkat daripada antara hasil-hasil pengamatan sendiri Nilai koefisien
korelasi diangoap sebagai ukuran yang menyatakan keeratan pertalian antara nilai-nila
variabel X dan Y. Di samping itu, nilai koefisien ini tidak menduga suatu parameter
populasi. Ooleh karena itu, banyak peneliti yang lebih tertarik untuk menggunakan nilai
koefisien Kendal.

Pada kotak Test of Significance, pilihlah salah satu dari kedua alternatif berikut:

1. Two-tailed (uji dua arah) sangat cocok digunakan jika Anda tidak mengetahui atau
belum menemukan korelasinya negatif atau positif.

2. One-tailed (uji satu arah) sangat cocok digunakan jika Anda sudah dapat menentukan
korelasinya negatif atau positif.

Dalam kondisi default, kotak periksa Flag Significant Correlation sedang terpilih , pada
output akan ditampilan taraf signifikansi yang sebenarnya.

Untuk mendapatkan ukuran-ukuran statistik, misalnya mean, standar deviasi, atau

menampilkan Deviasi cross-product ataupun Kovarian, klik tombol Options... maka akan
ditampilkan kotak dialog Bivariate Correlation Options.
 Gambar 2 KotakDialog Bivariate Correlations Options

Pada kotak Statistics, Anda dapat memilih salah satu atau kedua opsi berikut:

1. Means And Standard Deviations menampilkan nilai-nilai standar deviasi untuk masing-
masing variabel.

2. Cross-Product Deviations And Covariances menampilkan nilai-ni ilai deviasi cross-

product dan kovarian untuk masing-masing pasangan variabel. Deviasi Cross-Product
adalah pembilang dari persamaan koefisien korelasi Pearson. Kovarian adalah ukuran
statistik yang tidak terstandarisasi dari antara dua variabel.

Pada kotak Missing Values, Anda dapat memilih salah satu opsi berikut:

1. Eclude Cases Pairwise berisi kasus-kasus yang mengandung nilai missing pada salah
satu variabel atau keduanya akan dikeluarkan dalam analisis.

2. Exclude Cases Listwise berisi kasus-kasus yang mengandung nilai missing pada
sembarang variabel akan dikeluarkan dari analisis.

Contoh Kasus :

Data Indeks Prestasi Kumulatif dan rata – rata lama belajar (jam/hari) diantara 10 Mahasiswa
adalah sebagai 10 Mahasiswa adalah sebagai berikut:

Mahasiswa A B C D E F G H I J
 IPK 2.5 2.7 2.8 2.95 3.12 3.2 3.35 3.45 3.55 2.7
Lama Belajar 2.45 2.45 2.3 3.15 3 3.45 3.3 3.45 3.3 3

Gunakan tingkat signifikansi 0,05.

Pertanyaan:

1. Apa korelasi antara kedua variabel tersebut?

2. Apa kesimpulan yang diperoleh?

Jawab:

Berikut langkah-langkah pengolahan menggunakan SPSS:

1. Klik menu Analyses > Correlate > Bivariate.

2. Pindahkanlah variabel IPK dan Lama Belajar ke kolom Variable.

3. Pada kotak Correlation Coefficient pilihlah Pearson.

4. Pada kotak Test of Significance pilihlah Two Tailed.

5. Beri tanda centang pada kotak check Flag significant correlation.

6. KIlik tombol Option, pada kotak Missing Values lalu pilihlah Exclude cases pairwise,
selanjutnya klik tombol Continue.

7. Terakhir, klik tombol OK.

Output:
Correlations
Descriptive Statistics
Std.
Mean Deviation N
IPK 3.0320 .35655 10
LamaBelaja
2.9850 .43465 10
r
 Correlations
LamaBelaja
IPK r
IPK Pearson Correlation 1 .817**
Sig. (2-tailed) .004
Sum of Squares and
1.144 1.140
Cross-products
Covariance .127 .127
N 10 10
**
LamaBelajar Pearson Correlation .817 1
Sig. (2-tailed) .004
Sum of Squares and
1.140 1.700
Cross-products
Covariance .127 .189
N 10 10
**. Correlation is significant at the 0.01 level (2-tailed).

Analisis output:

Dari output diperoleh informasi sebagai berikut:

Mean dari IPK = 3,0320

Mean dari lama belajar = 2,9850

Standar deviasi IPK = 0,35655

Standar deviasi Lama Belajar = 0,43645

Banyaknya data yang dianalisis = 10

Dengan menggunakan korelasi Pearson diperoleh r =0,817, berarti hubungan antara IPK dan
Lama Belajar sangat kuat. Karena bertanda "+"maka diperoleh adanya hubungan yang searah,
artinya jika waktu belajar meningkat, nilai IPK juga akan semakin tinggi, begitu pula sebaliknya.
2.4 Pengujian hipotesis korelasi

Nilai korelasi yang didapatkan dari penelitian merupakan nilai korelasi sampel, yaitu harga
estimasi dari koefisien korelasi populasi yang dilambangkan dengan ρ (rho). Untuk selanjutnya,
anda dapat mengadakan uji hipotesis mengenai koefisien korelasi populasi yang tidak diketahui
berdasarkan pada estimasi nilai koefisien korelasi sampel, yaitu r. Pengujian hipotesisnya
sebagai berikut :

H0 : ρ = 0 (tidak ada hubungan antara variabel X dan Y)

H1 : ρ = 0 (ada hubungan antara variabel X dan Y)

Statistik uji yang digunakan yaitu :

n 1
t=r
1 r2

Disini :

t = statistic t derajat bebas n-2

n = banyaknya pengamatan

Kriteria penolakan dan penerimaan H0 yaitu :

Nilai t hitung > nilai t table yaitu H0 ditolak

Nilai t hitung < nilai table aitu H0 diterima

Contoh :

r = 0,817

n = 10

t table
 t
t – table =  /2( df )

t – table = t / 2( n  2)

t – table = t0,05/2(10 2)

t – table = t0,025 ;8

t – table = 2,306

t - hitung

10  1
t hitung = 0,817
1  0, 817 2

10  1
t hitung = 0,817
1  0, 667489

t hitung = 0,817 x 27,066774

t hitung = 22,113554

Bila nilai t hitung dengan t table dibandingkan dan ternyata nilai t hitung > daripada t table maka
H0 ditolak. Artinya, ada hubungan antara variabel IPK dengan variabel lama belajar pada tingkat
signifikan 5% secara nyata dan bersifat positif.