Correlations

jumlah
jumlah hunian wisatawan
hotel berbintang mancanegara
jumlah hunian hotel Pearson Correlation 1 .469
berbintang Sig. (2-tailed) .124
N 12 12
jumlah wisatawan Pearson Correlation .469 1
mancanegara Sig. (2-tailed) .124
N 12 12

Spearman dan Kendall:

A. Pengertian Korelasi Spearman

Korelasi Spearman merupakan alat uji statistik yang digunakan untuk menguji hipotesis asosiatif
dua variabel bila datanya berskala ordinal (ranking). Nilai korelasi ini disimbolkan dengan
(dibaca: rho). Karena digunakan pada data beskala ordinal, untuk itu sebelum dilakukan
pengelolahan data, data kuantitatif yang akan dianalisis perlu disusun dalam bentuk ranking.
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 kata lain, tanda “+”
dan “-“ menunjukkan arah hubungan di antara variabel yang sedang dioperasikan.

Uji signifikansi Spearman menggunakan uji Z karena distribusinya mendekati distribusi normal.
Kekuatan hubungan antara variabel ditunjukkan melalui nilai korelasi. Berikut adalah tabel nilai
korelasi makna nilai tersebut :

1.1 Makna nilai korelasi Spearman 1

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

B. Menghitung Korelasi Spearman
Langkah – langkah untuk menghitung adalah :
1. Menentukan formulasi hipotesis (H1 dan H0)
2. Menentukan taraf nyata (α = 0,05) untuk menentukan tabel
3. Menyusun tabel penolong untuk menentukan hitung
4. Menghitung nilai hitung dengan rumus :

ρ= 1 – (6∑b)/(n (n^2-1)) —————- Rumus 1.1

Keterangan :

ρ : nilai korelasi rank spearman

b : jumlah kuadrat selisih ranking variabel x dan y atau RX – RY

n : jumlah sampel

5. Menurut kriteria pengujian :

Bila hitung > tabel, maka H1 diterima

Bila hitung < tabel, maka H0 diterima

6. Melakukan uji signifikansi menggunakan uji Z :
Z hitung = ρ/(√1/(n-1)) ——————- Rumus 1.2

Mengambil kesimpulan :
– Bila Z hitung > Z tabel, maka hubungan x dan y adalah signifikan.

– Bila Z hitung < Z tabel, maka hubungan x dan y adalah tidak signifikan.

LANGKAH-LANGKAH

Langkah – langkah melakukan uji Korelasi Spearman adalah sebagai berikut :

1. Masukkan data di atas pada SPSS.

2. Klik menu Analyze > Correlate > Bivariate
3. Pada kotak dialog yang muncul masukkan variabel jam_lembur dan skor_prestasi pada kotak
Variables. Pastikan pilihan Spearman aktif.
4. Klik OK untuk melakukan analisa
Ada tidaknya korelasi dapat dilihat dari nilai probabilitas yang tercantum pada baris Sig. Untuk korelasi,
syarat ada tidaknya korelasi adalah sebagai berikut :

Correlations
Peringkat
Skor Pendidikan Pendidikan
Tahun 2017 Tahun 2017
Kendall's tau_b Skor Pendidikan Tahun 2017 Correlation Coefficient 1.000 -.911**
Sig. (2-tailed) . .000
N 10 10
Peringkat Pendidikan Tahun Correlation Coefficient -.911** 1.000
2017 Sig. (2-tailed) .000 .
N 10 10
Spearman's rho Skor Pendidikan Tahun 2017 Correlation Coefficient 1.000 -.964**
Sig. (2-tailed) . .000
N 10 10
**
Peringkat Pendidikan Tahun Correlation Coefficient -.964 1.000
2017 Sig. (2-tailed) .000 .
 N 10 10
**. Correlation is significant at the 0.01 level (2-tailed).

EXAMPLE

Apabila probabilitas > 0.025 maka tidak ada korelasi.

Apabila probabilitas < 0.025 maka antar variabel terdapat korelasi.

Pada contoh di atas nilai probabilitas yang dihasilkan adalah 0.00. Maka jam_lembur dan
skor_prestasi mempunyai korelasi (0.00 < 0.025)

Hubungan sebab akibat ditunjukkan dengan tanda positif atau negatif dari koefisien korelas. Dari
hasil di atas dapat dilihat bahwa koefisien korelasi antara jam_lembur dan skor_prestasi adalah
0.945 (tanda positif)
Hal ini berarti semakin tinggi jam lembur, maka skor prestasi juga semakin meningkat.

http://www.dw.com/id/rangking-pendidikan-negara-negara-asean/g-37594464

index pendidikan UNESCO

3. CRAMMER’S

Uji korelasi Cramer atau Cramer’s V atau Cramer Contigency Coefficient adalah uji hipotesis untuk
mengetahui hubungan 2 variabel skala nominal.

Uji Koefisien Korelasi Cramer adalah uji statistik untuk menguji 2 variabel yang menggunakan data
nominal. Lebih jauh mengenai skala pengukuran nominal kunjungi laman ini.

Terkait dengan karakteristik skala data nominal tersebut maka uji korelasi Cramer termasuk statistik
nonparametrik yaitu tidak mensyaratkan data harus berdistribusi normal.

Untuk mengetahui terdapat hubungan atau tidak dapat dilihat dari nilai signifikansi tiga koefisien korelasi
yaitu Phi, Cramer’s V dan Cramer Contigency Coefficient.

Langkah langkah:

INPUT DATA

Gambar 1

Input data ke spreadsheets Microsoft Excel kemudian copy dan paste ke spreadsheets Data View SPSS
dilanjutkan dengan input parameter deskripsi ke spreadsheets Data Variable SPSS.

Gambar 1 (klik untuk perbesar) adalah penampakan spreadsheets Data View SPSS. Dengan demikian kita
memliki 2 kolom variabel. Pada tahap ini input data sudah selesai. Lanjut langkah perintah uji.

LANGKAH-LANGKAH

1. Klik Analyze - Descriptive Statistics - Crosstabs...

2. Pindahkan Kelamin ke Row(s) dan Jantung ke Column(s)

3. Klik Statistics. Pilih Contogenxy coefficient, Phi and Cramer’s V. Klik Continue

4. Klik Cells. Pilih Observed dan Expected. Klik Continue

5. Klik OK
 Gambar 2

Gambar 2 (klik untuk perbesar) adalah menu pop-up pada saat Anda melakukan langkah ke-2, ke-3, ke-4
dan ke-5yaitu memilih variabel yang akan dianalisis dan kriterium.

Pada tahap ini uji korelasi Cramer atau Cramer’s V atau Cramer Contigency Coefficient sudah selesai dan
kita sudah memiliki output. Langkah selanjutnya mengambil keputusan berdasarkan output.

PENGAMBILAN KEPUTUSAN

 Jika Sig di atas 0,05 maka Ho diterima

 Jika Sig di bawah 0,05 maka Ho ditolak

Gambar 3

Gambar 3 (klik untuk perbesar) memiliki nilai Phi, Cramer’s V dan Contogenxy coefficient masing-masing
0,802, 0,802 dan 0,626 dengan Approx. Sig. 0,011 atau lebih kecil dari 0,05 sehingga diputuskan Jenis
Kelamin dan Gangguan Jantung berhubungan nyata dan signifikan.

Data Pegawai Pemerintah Kota Mojokerto

 Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
PEKERJAAN * 20 100.0% 0 0.0% 20 100.0%
PENDIDIKAN

PEKERJAAN * PENDIDIKAN Crosstabulation

Count
PENDIDIKAN
SMA S1 S2 S3 Total
PEKERJAAN golongan 4c 0 1 1 1 3
golongan 4a 0 1 7 0 8
golongan 3d 3 3 3 0 9
Total 3 5 11 1 20

Symmetric Measures
Approximate
Value Significance
Nominal by Nominal Phi .798 .048
Cramer's V .564 .048
N of Valid Cases 20

KAPPA

Koefisien Cohen’s Kappa digunakan untuk mengukur keeratan dari 2 variabel pada tabel
kontingensi yang diukur pada kategori yang sama atau untuk mengetahui tingkat kesepakatan
dari 2 juri dalam menilai. Lebih lengkap dapat dilihat disini.

Sebuah studi dilakukan untuk mengetahui tingkat kesepakatan dari 2 orang juri. Sejumlah
sampel diambil dan pemberian penilaian oleh kedua juri dilakukan. Juri memberi penilaian
dalam 3 kategori, yaitu nilai A jika bagus, B jika cukup, dan C jika kurang. Data hasil penilaian
disajikan pada tabel berikut
Langkah – langkah untuk mendapatkan koefisien Cohen’s Kappa dengan SPSS adalah sebagai
berikut:

Definisikan data pada Variabel View. Disini akan dibuat tiga variabel, yaitu Juri 1, Juri 2, dan
Freq untuk variabel jumlahnya. Skala data untuk variabel Juri 1, Juri 2 adalah ordinal ,
sedangkan Freq berskala Scale. Berikan kode pada kolom Values

 Untuk variabel Juri 1 adalah

1 = A, 2 = B, 3= C

 Untuk variabel Juri 2

1 = A, 2 = B, 3=C

Setelah itu semua selesai, baru masukan data kedalam SPSS

Kemudian dilakukan pembobotan dengan Weight Case untuk menghubungkan variabel Hasil
Ujian dan Les Privat dengan Freq

 Pilih Data dan Klik Weight Cases

 Kemudiaan akan muncul kotak dialog Weight Cases
 Tandai Weight Cases By, lalu pindahkan Freq ke Frequency Variable

 OK
Selanjutnya baru mendapat Cohen’s Kappa

 Pilih Anlyze, Descriptive Statistics, lalu klik Crosstabs

 Kotak dialog Crosstabs muncul, pindahkan Juri 1 ke Row(s) dan Juri 2 ke Colum(s)

 Klik Statistics, Pada kotak dialog Crosstabs:Statistics yang muncul centang Kappa

 Klik Continue, lalu Ok

Output yang muncul adalah
Dari output diatas diperoleh nilai koefisein cohen’s kappa sebesar 0,197. Ini berarti terdapat
kesepakatan yang rendah antara Juri 1 dengan Juri 2 terhadap penilain pada peserta.Nilai
signfikansinya dapat dilihat pada kolom Approx. Sig., dari outpu diatas didapat nilai signifikansi
sebesar 0,232. Karena nilai signifikansi lebih besar dari taraf signifikansi yang digunakan 5 %
(0,232>0,05), tidak tolak hipotesis awal dan simpulkan tidak terdapat kesepakatan yang
signfikan antar Juri 1 dan Juri 2 pada taraf signfikansi 5 %.

LANGKAH LANGKAH
Case Processing Summary
 Cases
Valid Missing Total
N Percent N Percent N Percent
PenilaiB * PenilaiA 50 100.0% 0 0.0% 50 100.0%

PenilaiB * PenilaiA Crosstabulation

Count
PenilaiA
Layak Tidak Layak Total
PenilaiB Layak 20 5 25
Tidak Layak 10 15 25
Total 30 20 50

Symmetric Measures
Asymptotic Approximate
Value Standard Errora Approximate Tb Significance
Measure of Agreement Kappa .400 .127 2.887 .004
N of Valid Cases 50
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.

ASOSIASI ETA
Case Processing Summary
 Cases
Valid Missing Total
N Percent N Percent N Percent
SKOR * ASAL 23 100.0% 0 0.0% 23 100.0%

SKOR * ASAL Crosstabulation

Count
ASAL
DESA KOTA Total
SKOR 4 2 0 2
5 1 0 1
6 1 2 3
7 1 0 1
8 1 3 4
9 1 2 3
10 2 2 4
11 1 2 3
12 0 1 1
14 0 1 1
Total 10 13 23

Directional Measures
Value
Nominal by Interval Eta SKOR Dependent .391
ASAL Dependent .580

Regressiiiiiii
 Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 AngkatanKerja, . Enter
JumlahPendudu
kb
a. Dependent Variable: Pengangguran
b. All requested variables entered.
 Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
a
1 .952 .907 .880 448958.903 .695
a. Predictors: (Constant), AngkatanKerja, JumlahPenduduk
b. Dependent Variable: Pengangguran

ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 1373531754000 2 6867658772000 34.072 .000b
0.000 .000
Residual 1410948675000 7 201564096500.
.000 000
Total 1514626622000 9
0.000
a. Dependent Variable: Pengangguran
b. Predictors: (Constant), AngkatanKerja, JumlahPenduduk

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 36115748.200 3484207.466 10.366 .000
JumlahPenduduk -.021 .063 -.191 -.338 .745
AngkatanKerja -.194 .143 -.765 -1.354 .218
a. Dependent Variable: Pengangguran

Residuals Statisticsa
Minimum Maximum Mean Std. Deviation N
Predicted Value 6824466.00 10635990.00 8475955.90 1235372.978 10
Residual -631018.188 736356.063 .000 395944.535 10
Std. Predicted Value -1.337 1.748 .000 1.000 10
Std. Residual -1.406 1.640 .000 .882 10
a. Dependent Variable: Pengangguran
KOLMOGOROV
 One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 10
Normal Parametersa,b Mean .0000000
 Std. Deviation 395944.535300
00
Most Extreme Differences Absolute .159
Positive .136
Negative -.159
Test Statistic .159
Asymp. Sig. (2-tailed) .200c,d
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.

UJI GLETSER
 One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 10
Normal Parametersa,b Mean .0000000
Std. Deviation 395944.535300
00
Most Extreme Differences Absolute .159
Positive .136
Negative -.159
Test Statistic .159
Asymp. Sig. (2-tailed) .200c,d
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.

UJI GLETSER UNTUK ASUMSI HETEROSKEDASTISITAS

 Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 AngkatanKerja, . Enter
JumlahPendudu
kb
a. Dependent Variable: ABS_RES
b. All requested variables entered.

Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
a
1 .774 .599 .485 181193.90390
a. Predictors: (Constant), AngkatanKerja, JumlahPenduduk
 ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 343708952100. 2 171854476000. 5.234 .041b
000 000
Residual 229818615700. 7 32831230810.0
000 00
Total 573527567700. 9
000
a. Dependent Variable: ABS_RES
b. Predictors: (Constant), AngkatanKerja, JumlahPenduduk

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -1889508.224 1406180.273 -1.344 .221
JumlahPenduduk .061 .026 2.808 2.398 .048
AngkatanKerja -.110 .058 -2.229 -1.903 .099
a. Dependent Variable: ABS_RES