MAKALAH

KORELASI
(Uji Korelasi Koefisien Cramer, Uji Korelasi Kendall & Uji Korelasi
Pearson)
(Disusun guna memenuhi tugas mata kuliah smester antara Biostatistika
Inferensial Kelas A)

Dosen Pengampu :
Dwi Martiana Wati, S. Si., M. Si

Disusun Oleh :
Kelompok 12
1. Hafifah (162110101070)
2. Winda Ariyanti Dwiastuti (162110101155)
3. Shoimatul Ahadiah (162110101211)

FAKULTAS KESEHATAN MASYARAKAT

UNIVERSITAS JEMBER
2019
 DAFTAR ISI

DAFTAR ISI .......................................................................................................... ii

BAB 1. PENDAHULUAN .................................................................................... 4
1.1 Latar Belakang ................................................................................... 4
1.2 Rumusan Masalah .............................................................................. 5
1.3 Tujuan ................................................................................................ 5
BAB 2. TINJAUAN PUSTAKA ........................................................................... 6
2.1 Pengertian Korelasi ............................................................................ 6
2.2 Uji Korelasi Koefisien Cramer .......................................................... 7
2.2.1 Pengertian Korelasi Koefisien Cramer .............................................. 7
2.2.2 Langkah-langkah pengujian hipotesis: .............................................. 8
2.3 Uji Korelasi Kendall .......................................................................... 9
2.3.1 Pengertian korelasi Kendall ............................................................... 9
2.3.2 Syarat Korelasi korelasi Kendall ..................................................... 10
2.3.3 Kegunaan Korelasikorelasi Kendall ................................................ 10
2.3.4 Kriteria pengujian uji korelasi korelasi Kendall .............................. 10
2.3.5 Metode Perhitungan ......................................................................... 10
2.3.6 Prosedur Perhitungan ....................................................................... 12
2.4 Uji Korelasi Pearson ........................................................................ 12
2.4.1 Pengertian korelasi Pearson ............................................................. 12
2.4.2 Manfaat Korelasi Pearson ................................................................ 13
2.4.3 Koefisien Korelasi ........................................................................... 13
2.4.4 Batas-Batas Koefisien Korelasi ....................................................... 14
2.4.5 Asumsi ............................................................................................. 14
2.4.6 Koefisien Determinasi ..................................................................... 15
BAB 3. HASIL DAN APLIKASI ....................................................................... 16
3.1 Contoh Perhitungan Manual Uji Korelasi Koefisien Cramer .......... 16
3.2 Contoh Uji Korelasi Koefisien Cramer dengan Aplikasi SPSS ...... 19
3.3 Contoh Perhitungan Manual Uji Korelasi Kendall .......................... 23
3.4 Contoh Uji Korelasi Kendall dengan Aplikasi SPSS ...................... 24
3.5 Contoh Perhitungan Manual Uji Korelasi Pearson .......................... 27

ii
 3.6 Contoh Uji Korelasi Pearson dengan Aplikasi SPSS ...................... 29
DAFTAR PUSTAKA .......................................................................................... 33

iii
 BAB 1. PENDAHULUAN
1.1 Latar Belakang
Banyak analisis statistika bertujuan untuk mengetahui apakah ada
hubungan antara dua atau lebih. Bila hubungan demikian ini dapat dinyatakan
dalam bentuk rumus matematik, maka kita akan dapat menggunakannya untuk
keperluan peramalan.
Kata “Korelasi” berasal dari bahasa inggris yaitu “Correlation” yang
dalam bahasa Indonesia artinnya hubungan atau saling hubung atau hubungan
timbal balik. Dalam dunia statistik pendidikan korelasi adalah hubungan
antara dua variable atau lebih yang sifatnnya kuantitatif. Lambang yang
digunakan korelasi adalah rxy artinnya korelasi antara variable X dan variable
Y. Nilai korelasi berkisar antara 0 (nol) sampai dengan 1.00 artinya nilai
korelasi paling rendah adalah nol dan paling tinggi adalah 1.00.
Definisi korelasi menurut Kamus Besar Bahasa Indonesia (KBBI)
adalah hubungan timbal balik atau sebab akibat, hubungan anatara dua dua
sifat kuantitatif yang disebabkan oleh lingkaran yang sama-sama
mempengaruhi kedua sifat. Kaitan dengan statistik, korelasi adalah salah satu
analisis uang dipakai untuk mencari hubungan antara dua variabel yang
bersifat kuantitatif. Analisis korelasi merupakan studi pembahasan mengenai
derajat hubungan atau derajat asosiasi antara dua variabel, misalnya variabel
X dan varibael Y.
Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua
variabel atau leih dengan skala tertentu yang diukur dengan jarak 0 sampai
dengan 1. Pengukuran statistik asosiasi dua variabel atau kovariasi diseut
dengan istilah koefisien variasi dan jika tidak sam dengan nol, berarti terdapat
hubungan antara dua variabel tersebut. Hubungan dikatakan korelasi atau
hubungan sempurna jika koefisien korelasi +1 dengan kemiringan (slope)
positif atau -1 dengan kemiringan negatif. Untuk koefisien korelasi sempurna,
tidak diperlukan hipotesis karena variabel X memiliki hubungan yang sangat
kuat dengan variabel Y. Oleh karena itu, makalah ini bertujuan untuk

4
 mengetahui dan memhami tentang Korelasi yaitu Uji Korelasi Cramer, Uji
Korelasi Kendal dan Uji Korelasi pearson.
1.2 Rumusan Masalah
1. Apa yang dimaksud dengan Korelasi?
2. Apa yang dimaksud dengan Uji Korelasi cramer?
3. Apa yang dimaksud dengan uji Korelasi Kendall?
4. Apa yang dimaksud dengan Uji Korelasi Pearson?
5. Bagaimana Uji Korelasi cramer dengan manual dan SPSS?
6. Bagaimana Uji Korelasi Kendall dengan manual dan SPSS?
7. Bagaimana Uji Korelasi Pearson dengan manual dan SPSS?
1.3 Tujuan
1. Mengetahui yang dimaksud dengan Korelasi
2. Mengetahui yang dimaksud dengan Uji Korelasi cramer
3. Mengetahui yang dimaksud dengan uji Korelasi Kendall
4. Mengetahui yang dimaksud dengan Uji Korelasi Pearson
5. Mengetahui cara Uji Korelasi cramer dengan manual dan SPSS
6. Mengetahui cara Uji Korelasi Kendall dengan manual dan SPSS
7. Mengetahui cara Uji Korelasi Pearson dengan manual dan SPSS

5
 BAB 2. TINJAUAN PUSTAKA
2.1 Pengertian Korelasi
Dalam kegiatan statistik khususnya statistik inferensial, analisis korelasi
merupakan hubungan antara dua variabel atau lebih, yaitu antara variable bebas
dan variable terikat. Hubungan korelasi terdiri atas dua jenis yakni bivariate dan
multivariate correlation. Bevariated correlation yaitu analisis terhadap
hubungan antara dua variable, satu varaiabel bebas dengan satu variable terikat,
sedangkan multivariate correlation yaitu analisis hubungan antara lebih dua
variable bebas.
Variabel yang dikorelasikan dalam analisis korelasional adalah
hubungan antara dua variable yang terdiri dependend variable terikat atau
varaibel yang dipengaruhi dan independend vriabel yang mempengaruhi atau
disebut juga variable bebas.
Kata “ Korelasi” berasal dari bahasa inggris yaitu “ Correlation” yang
dalam bahasa Indonesia artinnya hubungan atau saling hubung atau hubungan
timbale balik. Dalam dunia statistik pendidikan korelasi adalah hubungan
antara dua variable atau lebih yang sifatnnya kuantitatif. Lambang yang
digunakan korelasi adalah rxy artinnya korelasi antara variable X dan variable
Y. Nilai korelasi berkisar antara 0 (nol) sampai dengan 1.00 artinya nilai
korelasi paling rendah adalah nol dan paling tinggi adalah 1.00.
Korelasi adalah istilah statistic yang menyatakan derajat hubungan
linear antara dua variable atau lebih, yang ditemukan oleh Karl Pearson pada
awal 1900 oleh itu terkenal dengan sebutan korelasi pearson product moment
(PPM) Korelasi adalah salah satu teknik analisis statistic yang paling banyak
digunakan oleh para peneliti, karena peneliti pada umumnya tertarik terhadap
peristiwa-peristiwa yang terjadi dan mencoba untuk menghubungkannya.
Misalnnya kita ingin menghubungkan antara tinggi badan dan berat badan,
antara umur dengan tekanan darahnya, antara motivasi dengan prestasi belajar
atau bekerja dan seterusnya. Hubungan antara dua variable didalam teknik

6
 korelasi bukanlah dalam arti hubungan sebab akibat melainkan hanya hubungan
searah saja.
2.2 Uji Korelasi Koefisien Cramer
2.2.1 Pengertian Korelasi Koefisien Cramer
Koefisien korelasi Cramer merupakan koefisien korelasi antara dua
variabel dimana variabel tersebut merupakan variabel berskala nominal dan
di hitung menggunakan tabel kontingensi. Pada tabel kontingensi akan di
cari nilai harapan (expected value) untuk setiap cell-nya, semakin besar
perbedaan antara nilai harapan dengan nilai observasi (observed value),
maka akan semakin besar pula derajat hubungan dua variabel yang
sekaligus berarti semakin besar pula nilai koefisien Cramernya. Nilai
koefisien cramer tidak pernah negatif, hanya berkisar 0 dan 1, hal ini
dikarenakan antara variabel tidak memperhatikan urutan (order) diantara
kedua variabel tersebut.
Pada metode ini diasumsikan dua kelompok data non ordered
catagorical. Dimisalkan dua kelompok data tersebut A dan B. Dalam
mengukur koefisien korelasi Cramer terlebih dahulu kelompok data A dan
B dimasukkan dalam tabel kontingensi. Misalkan kelompok data A
diwakili dengan, A1,A2,A3,……Ak dan kelompok data B diwakili dengan
B1,B2,B3,….Br. Untuk selanjutnya pada masing-masing kelompok data
dimasukkan dalam tabel kontingensi dengan r baris dan k kolom seperti
dibawah ini:

7
 Tabel Kontigensi r x k
A1 A2 … Aj … Ak Total
B1 O11 O22 … O1j … O1k n1

B2 O21 O22 … O2j … O2k n2

… … … … … … … …
Bi Oi Oi2 … Oik … Oik ni

… … … … … … … …
Br Or1 Or2 … Orj … Ork nr

Total C1 C2 … Cj … Ck N

Dalam tabel kotak (i,j) berisi frekuensi observasi yang dikategorikan dalam
Ai dan Bj,
Koefisien korelasi Cramer dapat dicari dengan memasukkan data
kedalam tabel kontigensi, kemudian pada tabel kontingensi akan di cari
nilai harapan (expected value) untuk setiap cell-nya, semakin besar
perbedaan antara nilai harapan dengan nilai observasi (observed value),
maka akan semakin besar pula derajat hubungan dua variabel yang
sekaligus berarti semakin besar pula nilai koefisien Cramernya. Nilai
harapan tersebut untuk mencari nilai Chi Square, yang kemudian nilai
tersebut masuk ke dalam rumus koefisien korelasi Cramer yaitu
𝑥2
𝐶 = √𝑁 (𝐿−1).

Uji Signifikansi
Untuk mengetahui keberartian korelasi antara kedua variabel secara
signifikan, maka dilakukan uji hipotesis.Dalam pengujian hipotesis pada
uji signifikansi menggunakan ukuran 𝜒2 yaitu pada persamaan (3.7).
2.2.2 Langkah-langkah pengujian hipotesis:
1. Hipotesis :
𝐻0 : 𝐶 = 0 (Tidak ada korelasi antara kedua variabel)

8
 𝐻1 : 𝐶 ≠ 0 (Ada korelasi antara kedua variabel)
2. Taraf signifikansi α
3. Statistik Uji :

Dimana:
𝑂𝑖𝑗 = banyak kasus observasi yang dikatagorikan dalam baris ke i pada
kolom ke j
𝐸𝑖𝑗 = banyak kasus yang diharapkan di bawah H0 untuk dikategorikan
dalam baris ke i dan kolom ke j
4. Daerah Penolakan : H0 ditolak jika 𝜒2 hitung ≥ 𝜒2 tabel, dengan df (r-
1)(k-1) dan menggunakan tabel C
5. Perhitungan
Perhitungan akan dilakukan dengan cara perhitungan manual dan
perhitungan dengan menggunakan program SPSS. Langkah-langkah
perhitungan dengan menggunakan program SPSS dapat dilihat pada
lampiran.
6. Keputusan
Keputusan dibuat yaitu untuk menerima atau menolak hipotesis dengan
membandingkan nilai statistik dengan nilai kritik.
7. Kesimpulan
2.3 Uji Korelasi Kendall
2.3.1 Pengertian korelasi Kendall
Koefisien korelasi kendall tau pertama sekali dikemukakan oleh
Maurice George Kendall pada tahun 1938. Maurice George Kendall adalah
seorang statistikawan yang lahir di Northamptonshire pada tanggal 6
September 1907 dan meninggal pada tanggal 29 Maret 1983.
Koefisien korelasi kendall tauatau yang biasa dinotasikan dengan
(𝜏)merupakan suatu nilai yang menunjukkan derajat asosiasi atau korelasi

9
 antara 2 himpunan variabel dalam sebuah penelitian yang telah disusun
berdasarkan peringkatnya dengan tujuan mengetahui kekuatan atau
tingkatan korelasi antara X dan Y, dimanadata yang tersedia merupakan
sebuah sampel random yang terdiri atas n pasangan hasil pengamatan (Xi,
Yi). Data sekurang-kurangnya diukur pada skala ordinal, sehingga data X
dan Y yang telah diamati dapat disusun peringkat atau rank-nya. Batas nilai
dari koefisien korelasi Kendall tau sama dengan koefisien korelasi pada
umunya yakni akan bernilai (+1) apabila variabel X dan Y berkorelasi
positif (sebanding lurus) dan bernilai (-1) apabila X dan Y berkorelasi
negatif (berbanding terbalik).
2.3.2 Syarat Korelasi korelasi Kendall
a. Data yang tersedia merupakan sebuah sampel acak yang terdiri atas n
pasangan hasil pengamatan (Xi, Yi).
b. Data sekurang-kurangnya diukur pada skala ordinal, sehingga dapat
merangking masing-masing nilaiXdalam hubungannya dengan nilai-
nilai Xlainyang teramati, dan masing-masing nilai Y dalam
hubungannya dengan nilai-nilai Y yang teramati.
2.3.3 Kegunaan Korelasikorelasi Kendall
a. Mengukur tingkat atau eratnya hubungan antara dua variabel yaitu
variabel bebas dan variabel terikat yang berskala ordinal.
b. Mengetahui tingkat kecocokan dari dua variabel terhadap grup yang
samamendapatkan validitas empiris alat pengumpul data.
c. Mengetahui reliabilitas alat pengumpul data.
2.3.4 Kriteria pengujian uji korelasi korelasi Kendall
a. Pengujian hipotesis dengan membandingkan taraf signifikansi (p-value)
dengan signifikansinya.
b. Jika signifikansi > taraf signifikansi(𝜶), maka Ho diterima
c. Jika signifikansi < taraf signifikansi(𝜶), maka Ho ditolak
2.3.5 Metode Perhitungan
a) Koefisien Korelasi Rank Kendall adalah :

10
 𝐬𝐤𝐨𝐫 𝐬𝐞𝐛𝐞𝐧𝐚𝐫𝐧𝐲𝐚
𝝉=
𝐤𝐞𝐦𝐮𝐧𝐠𝐤𝐢𝐧𝐚𝐧 𝐬𝐤𝐨𝐫 𝐦𝐚𝐤𝐬𝐢𝐦𝐮𝐦
dimana kemungkinan jumlah maksimum adalah C2N yang dapat dinyatakan
𝟏
sebagai 𝟐 𝐍(𝐍 − 𝟏).

Sehingga rumus dapat dinotasikan :

𝐒
𝝉=𝟏
𝐍(𝐍 − 𝟏)
𝟐

Keterangan :
𝜏= Koefisien Korelasi Kendall Tau
S = Skor sebenarnya yang merupakan jumlah skor urutankewajaran
pasangan data pada salah satu variabel. Jika urutan ranking wajar
diberi skor+1, jika urutan ranking tidak wajar diberi skor –1.
N = Jumlah anggota sampel.
b) Koefisien Korelasi Kendall untuk Observasi yang bernilai sama (Ties):
𝐒
𝛕=
𝟏 𝟏
√ 𝐍(𝐍 − 𝟏)−𝐓𝐗 √ 𝐍(𝐍 − 𝟏)−𝐓𝐘
𝟐 𝟐

Dimana :
1
TX = 2 ∑ t(t − 1), t = banyaknya observasi dengan nilai sama (ties)dalam

tiap kelompok nilai sama pada variabel X.

1
Ty = 2 ∑ t(t − 1), t = banyaknya observasi dengan nilai sama (ties)dalam

tiap kelompok nilai sama pada variabel Y.

c) Koefisien Korelasi Kendall untuk 𝐍 > 10 :
Jika N lebih dari 10, maka𝜏 dapat dianggap berdistribusi normal dengan
Mean = 𝜇𝜏 = 0
2(2𝑁+5)
Standar Deviasi = 𝜎𝜏 = √9𝑁(𝑁−1)
𝜏−𝜇𝜏 𝜏
Jadi, 𝑧 = =
𝜎𝜏 2(2𝑁+5)
√
9𝑁(𝑁−1)

11
 2.3.6 Prosedur Perhitungan
1) Berilah ranking observasi-observasi pada variabel X dari 1 hingga N.
Berilah pula ranking observasi-observasi pada variabel Y dari 1 hingga
N.
2) Susunlah N subyek sehingga ranking-ranking X untuk subyek-subyek
itu ada dalam urutan wajar, yakni 1, 2, 3, ...., N.
3) Amatilah ranking-ranking Y dalam urutan yang bersesuaian dengan
ranking X yang ada dalam urutan wajar. Tentukan harga S untuk
urutan ranking Y ini.
4) Jika tidak terdapat data yang bernilai sama (ties) di antara observasi-
observasi X maupun Y, gunakan rumus (a) dalam menghitung harga 𝜏.
Jika terdapat data yang bernilai sama (ties), pakailah rumus (b).
5) Jika N subyek merupakan suatu sampel random dari populasi tertentu,
kita dapat menguji apakah harga observasi 𝜏 memberi petunjuk adanya
asosiasi antara variabel X dan Y dalam populasinya. Metode
perhitungan tergantung N:
Untuk N ≤ 10lihat nilai 𝑝𝑣𝑎𝑙𝑢𝑒 dari tabel
Jika 𝑝𝑣𝑎𝑙𝑢𝑒 ≤ 𝛼, makaH0 ditolak.
Untuk N > 10, kita dapat menghitung harga z yang berkaitan dengan
𝜏menggunakan rumus z.Jika zhitung ≥ ztabel , makaH0 ditolak.
1
ztabel diperoleh dari 0,5 − 2 𝛼 dilihat dari table.

2.4 Uji Korelasi Pearson

2.4.1 Pengertian korelasi Pearson
Korelasi Pearson merupakan salah satu ukuran korelasi yang
digunakan untuk mengukur kekuatan dan arah hubungan linier dari dua
variabel. Dua variabel dikatakan berkorelasi apabila perubahan salah satu
variabel disertai dengan perubahan variabel lainnya, baik dalam arah yang
sama atau pun arah yang sebaliknya. Harus diingat bahwa nilai koefisien
korelasi yang kecil (tidak signifikan) bukan berarti kedua variabel tersebut

12
 tidak saling berhubungan. Mungkin saja dua variabel mempunyai keeratan
hubungan yang kuat namun nilai koefisien korelasinya mendekati nol,
misalnya pada kasus hubungan non linier. Koefisien korelasi hanya
mengukur kekuatan hubungan linier dan tidak pada hubungan non linier.
Harus diingat pula bahwa adanya hubungan linier yang kuat di antara
variabel tidak selalu berarti ada hubungan kausalitas, sebab-akibat.

2.4.2 Manfaat Korelasi Pearson

Mencari hubungan variabel bebas (X) dengan variabel terikat (Y)
dan data berbentuk interval dan ratio.
n. XY    X 
. Y 
r
n. X 2

  X  . n. Y 2   Y 
2 2

12.2.695  225
. 124
r
(12).(4.725)  (225) . (12).(1.570)  (124) .
2 2

Dimana : 32.340  27.900 4.440

r 
n = Banyaknya .625
56.700  50Pasangan .376Y
dataX15dan
. 18.840 6.075. 3.464
Dimana4:.440 4.440
r   0,97
4.587,35data X dan Y
21.043.800 Pasangan
n = Banyaknya
Σx = Total Jumlah dari Variabel X
Σy = Total Jumlah dari Variabel Y
Σx2= Kuadrat dari Total Jumlah Variabel X
Σy2= Kuadrat dari Total Jumlah Variabel Y
Σxy= Hasil Perkalian dari Total Jumlah
Variabel X dan Variabel Y
2.4.3 Koefisien Korelasi
Korelasi dinyatakan dalam % keeratan hubungan antar variabel
yang dinamakan dengan koefisien korelasi, yang menunjukkan derajat
keeratan hubungan antara dua variabel dan arah hubungannya (+ atau -).

13
2.4.4 Batas-Batas Koefisien Korelasi
Nilai koefisien korelasi berkisar antara –1 sampai dengan +1.
Kriteria pemanfaatannya sebagai berikut:
1. Jika, nilai r > 0, artinya telah terjadi hubungan yang linier positif, yaitu
semakin besar nilai variabel X maka semakin besar pula nilai variabel Y
atau semakin kecil nilai variabel X maka semakin kecil pula nilai
variabel Y. Jika, nilai r < 0, artinya telah terjadi hubungan yang linier
negatif, yaitu semakin besar nilai variabel X maka semakin kecil nilai
variabel Y atau semakin kecil nilai variabel X maka semakin besar pula
nilai variabel Y .
2. Jika, nilai r = 0, artinya tidak ada hubungan sama sekali antara variabel
X dan variabel Y.
3. Jika, nilai r =1 atau r = -1, maka dapat dikatakan telah terjadi hubungan
linier sempurna, berupa garis lurus, sedangkan untuk r yang makin
mengarah ke angka 0 (nol) maka garis makin tidak lurus. Batas-batas
nilai koefisien korelasi diinterpretasikan sebagai berikut :
a. 0,00 sampai dengan 0,20 berarti korelasinya sangat lemah.
b. 0,21 sampai dengan 0,40 berarti korelasinya lemah.
c. 0,41 sampai dengan 0,70 berarti korelasinya kuat.
d. 0,71 sampai dengan 0,90 berarti korelasinya sangat kuat.
e. 0,91 sampai dengan 0,99 berarti korelasinya sangat kuat sekali.
f. 1.00 berarti korelasinya sempurna.
2.4.5 Asumsi
Asumsi untuk analisis korelasi adalah sebagai berikut :
1. Sampel data berpasangan (x, y) berasal dari sampel acak dan merupakan
data kuantitatif.
2. Pasangan data (x, y) harus berdistribusi normal.
Harus diingat bahwa analisis korelasi sangat sensitif terhadap data
pencilan (outliers). Asumsi bisa dicek secara visual dengan
menggunakan:

14
 a. Boxplots, histograms & univariate scatterplots untuk masing-masing
variable
b. Bivariate scatterplots, Apabila tidak memenuhi asumsi misalnya data
tidak berdistribusi normal (atau ada nilai data pencilan), kita bisa
menggunakan korelasi Spearman (Spearman rank correlation),
korelasi untuk analisis non-parametrik.
2.4.6 Koefisien Determinasi
Koefisien korelasi, r, hanya menyediakan ukuran kekuatan dan arah
hubungan linier antara dua variabel. Akan tetapi tidak memberikan
informasi mengenai berapa proporsi keragaman (variasi) variabel dependen
(Y) yang dapat diterangkan atau diakibatkan oleh hubungan linier dengan
nilai variabel independen (X). Koefisien Determinasi bisa didefinisikan
sebagai nilai yang menyatakan proporsi keragaman Y yang dapat
diterangkan/dijelaskan oleh hubungan linier antara variabel X dan Y.
Untuk menentukan besar kecilnya sumbangan variabel X terhadap Y dapat
ditentukan dengan rumus koefisien determinan sebagai berikut :
KP = r2 x 100%
dimana :
KP adalah besarnya koefisien penentu (diterminan)
r adalah koefisien korelasi

15
 BAB 3. HASIL DAN APLIKASI
3.1 Contoh Perhitungan Manual Uji Korelasi Koefisien Cramer
Di bawah ini terdapat tabel berisi data jenis kelamin dan penyakit serangan
jantung. Dari data-data di bawah ini, kita ingin mengetahui apakah ada korelasi
antara jenis kelamin dan risiko penyakit serangan jantung.
Jenis Kelamin (X1) Serangan Jantung (X2)

Lelaki Menderita

Lelaki Menderita

Lelaki Menderita

Lelaki Menderita

Perempuan Tidak Menderita

Perempuan Tidak Menderita

Lelaki Tidak Menderita

Perempuan Tidak Menderita

Lelaki Menderita

Perempuan Tidak Menderita

16
Uji Statistik

Jenis Kelamin Serangan Jantung Total

Menderita Tidak Menderita

Laki-laki 5 1 6

Perempuan 0 4 4

Total 5 5 10

1. Hipotesis :
𝐻0 : 𝐶 = 0 (Tidak ada korelasi antara kedua variabel)
𝐻1 : 𝐶 ≠ 0 (Ada korelasi antara kedua variabel)
Didapatkan nilai-nilai berikut:

O11= 5 O12= 1

O21= 0 O22= 4

Nilai frekuensi harapan pada data diatas adalah:

n1 . C1 5.6
E11 = = =3
𝑁 10
n1 . C2 5.6
E12 = = =3
𝑁 10
n2 . C1 5.4
E21 = = =2
𝑁 10
n2 . C2 5.4
E22 = = =2
𝑁 10

(5 − 3)2 (1 − 3)2 (0 − 2)2 (4 − 2)2

= + + +
3 3 2 2
(2)² (2)² (2)² (2)²
= + + +
3 3 2 2

17
 = 1,33 + 1,33 + 2 + 2 = 6,66

Nilai koefisien korelasi cramer

𝑥2
𝐶= √
𝑁 (𝐿 − 1)

6,66
=√
10(2 − 1)

= √0,666

= 0,816

Berdasarkan perhitungan diatas dapat disimpulkan bahwa ada korelasi antara

tempat tinggal jenis kelamin dan penyakit serangan jantung tersebut sebesar 𝐶=

18
 0,816. Tingkat signifikansi tersebut lebih kecil dari 𝛼=0,05 sehingga Chitung >
Ctabel (0,816 > 0,455), maka 𝐻o ditolak dan dapat disimpulkan ada korelasi antara
jenis kelamin dan penyakit serangan jantung.

3.2 Contoh Uji Korelasi Koefisien Cramer dengan Aplikasi SPSS

Langkah-langkah perhitungan koefisien korelasi Phi dan koefisen korelasi
Cramer menggunakan program SPSS
1. Masukan data pada program SPSS
2. Pilih dan masukkan value pada setiap variabel
3. Dari menu utama SPSS, pilih menu Analyze, kemudian pilih Deskriptive
Statistics, lalu pilih Crosstabs
4. Masukkan variabel jenis kelamin pada kotak Row(s), variabel Usia pada
kotak Column(s) – klik cells – observed dan expected – klik continue.
5. Pilih statistics dan mengaktifkan kotak Phi and Cramer’V, kemudian tekan
continue.
6. Hasil Output SPSS

Contoh Soal dengan Menggunakan SPSS

Berikut langkah-langkah memasukkan data-data di atas dalam SPSS:

1. Masukan data variable view pada program SPSS

19
2. Pilih dan masukkan value pada setiap variabel

3. Dari menu utama SPSS, pilih menu Analyze, kemudian pilih Deskriptive
Statistics, lalu pilih Crosstabs

4. Masukkan variabel jenis kelamin pada kotak Row(s), variabel Usia pada
kotak Column(s) – klik cells – observed dan expected – klik continue.

20
5. Pilih statistics dan mengaktifkan kotak Phi and Cramer’V, kemudian
tekancontinue.

21
6. Hasil Output SPSS

a. Perumusan Masalah
Apakah ada korelasi antara jenis kelamin dan risiko penyakit serangan
jantung ?
b. Hipotesis
Ho: tidak terdapat hubungan antara jenis kelamin dan penyakit
serangan jantung
Ha: terdapat hubungan antara jenis kelamin dan penyakit serangan
jantung
c. Keputusan
Jika sig > 0,05 maka Ho diterima
Jika sig < 0,05 maka Ho ditolak
d. Pengambilan keputusan
Nilai sig pada output spss menunjukkan sig < 0,05 = (0,010 < 0,05)
maka Ho ditolak dan mengartikan bahwa ada hubungan antara jenis

22
 kelamin laki-laki dan perempuan terhadap kejadian penyakit serangan
jantung.

3.3 Contoh Perhitungan Manual Uji Korelasi Kendall

Dengan taraf nyata 5% akan dilakukan penelitian untuk mengetahui adakah
hubungan antara peringkat masuk PTdengan indeksprestasi selama 1semester
mahasiswa. Penelitian dilakukan dengan menggunakan sampel mahasiswa PT
sebanyak 10 orang. Berdasarkan 10 orang mahasiswa itu, mereka ditanya
bagaimana peringkat masuk PT dan IP Semester 1. Data hasil penelitian
ditunjuk pada tabel berikut.
Peringkat Masuk PT dan IP Semester I 10 Orang Mahasiswa
Mahasiswa Peringkat Masuk PT IP Semester 1
1 1 3,2
2 2 3,2
3 3 3,5
4 4 3,3
5 5 3,1
6 6 3,4
7 7 3,0
8 8 3,0
9 9 2,8
10 10 2,9
1. Hipotesis:
H0 : tidak ada hubungan antara peringkat masuk PTdengan indeksprestasi
selama 1semester mahasiswa
H1 : ada hubungan antara peringkat masuk PTdengan indeksprestasi selama
1semester mahasiswa)
2. Wilayah kritis:H0 ditolak jika 𝑝𝑣𝑎𝑙𝑢𝑒 ≤ ∝
3. Penghitungan:
Peringkat IP Peringkat IP Skor sebenarnya

23
 1 3,2 4,5
2 3,2 4,5 2
3 3,5 1 2
4 3,3 3 7
5 3,1 6 4
6 3,4 2 3
7 3,0 7,5 4
8 3,0 7,5 2
9 2,8 10 2
10 2,9 9 -1
S =25
Tx= 1⁄2 ∑𝑡(𝑡 − 1) = 0

Ty= 1⁄2 ∑𝑡(𝑡 − 1) = 1⁄2 [2(2 − 1) + 2(2 − 1)] = 2

𝑆
τ=
√(1⁄2)𝑁(𝑁−1)−𝑇𝑥√(1⁄2)𝑁(𝑁−1)−𝑇𝑦

25
=
√(1⁄2)(25)(25−1)−0√(1⁄2)(25)(25−1)−2

= 0,08361250776
4. Keputusan:
Karena 𝑝𝑣𝑎𝑙𝑢𝑒 = 0,014 <𝛼 = 0,05 maka H0 ditolak.
5. Kesimpulan:
Ada hubungan yang positif dan signifikan antara peringkat masuk PTdengan
indeksprestasi selama 1semester mahasiswa atau jika peringkat masuk PT
tinggi maka indeks prestasi semester 1 juga tinggi demikian sebaliknya.

3.4 Contoh Uji Korelasi Kendall dengan Aplikasi SPSS

Hipotesis menyatakan:
H0 : tidak ada hubungan antara peringkat masuk PTdengan indeksprestasi
selama 1semester mahasiswa

24
H1 : ada hubungan antara peringkat masuk PTdengan indeksprestasi selama
1semester mahasiswa)
1. Buatlah identitas kolom editor SPSS, seperti dibawah ini :

2. Masukkan data ke editor SPSS

3. Pada menu toolbar atas klik [Analyze] > [Corelate] > [Bivariate].
seperti gambar berikut:

25
4. Akan muncul kotak dialog Bivariate Correlations, masukan kedua
variabel pada kotak Variables. Berikan checklist pada Kendall’s tau-b di
pilihan Correlation Coefficients. Lalu klik OK.

5. Muncul output SPSS viewer menampilkan hasil sebagai berikut ini.

6. Kesimpulan
Karena angka pada kolom sig. adalah 0,024 < 0,05 maka H0 ditolak. Maka
ada hubungan yang positif dan signifikan antara peringkat masuk

26
 PTdengan indeksprestasi selama 1semester mahasiswa atau jika peringkat
masuk PT tinggi maka indeks prestasi semester 1 juga tinggi demikian
sebaliknya.
3.5 Contoh Perhitungan Manual Uji Korelasi Pearson
Berikut adalah sebuah contoh kasus : Ingin diketahui hubungan antara
pemberian pupuk bokashi cair (cc) terhadap pertumbuhan bibit kelapa sawit di
prenursery selama dua bulan. Peneliti mengambil sampel sebanyak 12 tanaman,
dengan taraf signifikansi (α = 0.05), data sebagai berikut :
Tabel 1. Data

Sampel Bibit Dosis (X) Pertumbuhan (Y)

1 10 5
2 15 7
3 15 8
4 20 11
5 25 14
6 20 10
7 10 4
8 10 5
9 25 16
10 20 9
11 25 14
12 30 21
Jumlah 225 124

1. Hipotesis bentuk kalimat :

Ha : Terdapat hubungan antara pemberian pupuk bokashi dengan
pertumbuhan bibit.
H0 : Tidak terdapat hubungan antara pemberian pupuk bokashi dengan
pertumbuhan bibit.
2. Hipotesis dalam bentuk statistik:

27
 Ha: r  0
H0 : r = 0
3. Tabel penolong untuk menghitung nilai korelasi :
Tabel 2. Tabel Penolong
No. X Y X2 Y2 XY
1 10 5 100 25 50
2 15 7 225 49 105
3 15 8 225 64 120
4 20 11 400 121 220
5 25 14 625 196 350
6 20 10 400 100 200
7 10 4 100 16 40
8 10 5 100 25 50
9 25 16 625 256 400
10 20 9 400 81 180
11 25 14 625 196 350
12 30 21 900 441 630
∑ X2 = ∑ Y2 = ∑ XY =
∑ X = 225 ∑ Y = 124
4.725 1.570 2.695

4. Masukkan angka-angka statistik dari tabel penolong dengan rumus

sebagai berikut :
n. XY    X 
. Y 
r
n. X 2

  X  . n. Y 2   Y 
2 2

12.2.695  225
. 124
r
(12).(4.725)  (225) . (12).(1.570)  (124) .
2 2

32.340  27.900 4.440

r 
56.700  50.625. 18.840  15.376 6.075. 3.464
4.440 4.440
r   0,97
21.043.800 4.587,35

28
 Jadi hubungan antara pemberian pupuk bokashi dengan pertumbuhan
bibit kelapa sawit di prenursery sebesar (r = 0,97) tergolong sangat kuat.
5. Menentukan besarnya sumbangan (koefisien diterminan koefisien
penentu) variabel X terhadap variabel Y dengan rumus :
KP  r 2 .100%  0,97 2.100%  94,09%
Artinya : Pengaruh pemberian pupuk bokashi terhadap pertumbuhan
bibit kelapa sawit di prenursery sebesar 94,09% dan sisanya 5,91%
ditentukan oleh variabel lain.
6. Menguji signifikansi dengan rumus thitung sebagai berikut ini :

r n2 0,97 12  2 3,067

t hitung     51,98
1 r2 1  0,97 2 0,059

Kaidah pengujian :
Jika thitung  dari ttabel maka signifikan
Jika thitung  dari ttabel maka tidak signifikan
Berdasarkan perhitungan diatas, dengan ketentuan tingkat kesalahan
  0,05 yaitu db = n – 2 <=> 12 – 2 = 10, sehingga didapat nilai dari ttabel
= 1,812 ternyata thitung> dari ttabel yaitu 51,98 > 1,812.
Kesimpulannya adalah korelasi variabel X dengan Y atau hubungan
pemberian pupuk bokashi terhadap pertumbuhan bibit kelapa sawit di
prenursery adalah signifikan.
3.6 Contoh Uji Korelasi Pearson dengan Aplikasi SPSS
1. Buka program SPSS, klik variable view. Selanjutnya pada bagian name tulis
X1,X2, dan Y, pada decimals ubah semua angka menjadi 0, pada bagian
label tuliskan Sampel Bibit, Dosis (X), dan pertumbuhan (Y). pada bagian
measure ganti menjadi scale.

29
2. Setelah itu, klik Data view, dan masukkan Sampel Bibit (X1), Dosis
(X(X2)), Pertumbuhan (Y(Y)) yang sudah dipersiapkan tadi ke program
SPSS

3. Selanjutnya, dari menu utama SPSS, pilih menu Analyze, lalu klik Correlate,
dan klik Bivariate

30
4. Muncul kotak dialog dengan nama “Bivariate Correlations”. Masukkan
variable sampel bibit (X1), Dosis (X(X2)), dan Pertumbuhan (Y(Y)) pada
kotak variabels. Selanjutnya, pada kolom “Correlation coefficient” pilih
Perason, lalu untuk kolom “Test significant” pilih two tailed , dan centang
pada Flag Significant Correlations, terakhir klik Ok untuk mengakhiri
perintah.

5. Setelah selesai, maka akan muncul tampilan output SPSS “Correlations”

tinggal kita interpretasikan saja.

31
6. Interpretasi Analisis korelasi bivariate pearson
1. Berdasarkan nilai signifikan sig. (2-tailed) : dari tabel output diatas dapat
diketahui nilai sig. (2-tailed) antara sampel bibit (X1) dengan
Pertumbuhan (Y(Y)) adalah sebesar 0,045 < 0,05 , yang berarti terdapat
korelasi yang signifikan antara variable sampel bibit dengan variable
pertumbuhan. Selanjutnya hubungan antara Dosis (X(X2)) dan
pertumbuhan (Y(Y)) memiliki nilai sig. (2-tailed) sebesar 0,000 < 0,05,
yang berarti terdapat korelasi yang signfikan pada variable dosis (X)
dengan pertumbuhan (Y)
2. Berdasarkan nilai r hitung (Perason correlations) : diketahui r hitung
untuk sampel bibit (X1) dengan Pertumbuhan (Y) adalah sebesar 0,586 >
r tabel 0,576 , maka dapat disimpulkan bahwa ada hubungan atau korelasi
antara variable sampel bibit dengan Dosis (X) . selanjutnya diketahui r
hitung untuk hubungan dosis (X(X2)) dengan pertumbuhan (Y(Y)) adalah
sebesar 0,999 > r tabel 0,576 maka dapat disimpulkan bahwa ada korelasi
antara variable Dosis (X) dengan Pertumbuhan (Y). karena r hitung pada
analisis ini bernilai positif maka itu artinya ada hubungan antara kedua
variable tersebut bersifat positif atau dengan kata lain semakin meningkat
kualitas Sampel bibit dan dosis maka akan meningkat pula
pertumbuhannya.
3. Catatan : rumus menghitung r tabel product pada moment dengan melihat
nilai N pada distribusi nilai r tabel. Karena N atau jumah sampel yang
digunakan pada analisis ini ada 12 dengan signifikansi 5% maka ketemu
nilai r tabel adalah sebesar 0,576. Lihat gambar dibawah ini :

32
 DAFTAR PUSTAKA

Sudiyono, Anas, Pengantar Statistik Pendidikan, Jakarta: Rajawali Pers, 2009.

Siegel, A. 2008. Statistik Nonparametrik untuk ilmu-ilmu sosial. Jakarta: PT
Gramedia Pustaka Utama.

33