Anda di halaman 1dari 26

UJI KORELASI

1. Korelasi sederhana
a. Koefisien Korelasi Person Product Moment
(1) Korelasi Product Moment
Digunakan untuk menguji hubungan antara dua variable
Data interval dan rasio
Contoh:
Seorang peneliti ingin mengetahui apakah ada hubungan antara persepsi anak
dengan sikap anak dalam belajar fisika. Data penelitian yang didapatkan sebagai
berikut:

SAMPEL PERSEPSI SIKAP SAMPEL PERSEPSI SIKAP


1 60 70 16 50 59
2 59 68 17 50 58
3 54 68 18 50 58
4 53 66 19 49 56
5 53 66 20 49 56
6 53 66 21 48 55
7 53 64 22 48 54
8 53 64 23 47 54
9 53 64 24 46 54
10 52 63 25 46 53
11 52 62 26 45 52
12 51 61 27 45 52
13 51 61 28 44 49
14 51 61 29 43 49
15 50 60 30 41 42

Setelah mendapatkan data, maka data akan dianalisis.


Langkah-langkah:
Masukkan data kedalam spss seperti berikut:

Klik variable view kemudian Setup data seperti berikut:


Klik analyze-correlate-bivariate seperti berikut:

Kemudian muncul jendela sebagai berikut:

Masukkan variable persepsi dan sikap kedalam kolom variable sebagai berikut:
Kemudian klik ok, dan muncul hasil analisis sebagai berikut:

Correlations
PERSEPSI SIKAP
Pearson
1 .963**
Correlation
PERSEPSI
Sig. (2-tailed) .000
N 30 30
Pearson
.963** 1
Correlation
SIKAP
Sig. (2-tailed) .000
N 30 30
**. Correlation is significant at the 0.01 level (2-
tailed).
Interpretasi hasil output:
Cara membacaya:

Jika , maka ada korelasi

Jika , maka tidak ada korelasi

Hasil analisis:

dan ,

Kesimpulan:

, maka ada korelasi


(2) Korelasi Phi
Digunakan untuk menguji hubungan antara dua variable
Data nominal diskrit
Contoh:
Seorang peneliti ingin mengetahui apakah ada hubungan antara jenis kelamin
dengan jenis baju. Dimana 0=laki-laki, 1=perempuan dan jenis baju 0=polos, 1=
bergambar. Data yang diperoleh sebagai berikut:

sampel gender JENIS baju sampel gender JENIS baju


1 0 0 16 1 0
2 1 0 17 1 0
3 1 0 18 1 0
4 1 1 19 0 0
5 1 0 20 0 1
6 0 1 21 1 1
7 1 0 22 1 0
8 0 0 23 0 0
9 0 1 24 0 1
10 0 0 25 0 1
11 1 0 26 1 0
12 1 0 27 1 1
13 1 1 28 0 1
14 1 0 29 0 0
15 1 0 30 1 1

Setelah mendapatkan data, maka data akan dianalisis.


Langkah-langkah:
Masukkan data kedalam spss seperti berikut:

Klik variable view kemudian Setup data seperti berikut:


Klik analyze-deskriptive statistics-crosstabs seperti berikut:

Kemudian muncul jendela sebagai berikut:

Masukkan variable gender dan jenis kedalam kolom sebagai berikut:


Kemudian klik statistics, maka akan muncul jendela sebagai berikut:

Kemudian dicentang Phi and Cramer’s V, seperti berikut:

Kemudian klik continue, klik ok, dan muncul hasil analisis sebagai berikut:

JENIS_BAJU * GENDER Crosstabulation


Count
GENDER Total
.00 1.00
JENIS_BAJ .00 6 13 19
U 1.00 6 5 11
Total 12 18 30

Symmetric Measures
Value Approx.
Sig.
Nominal by Phi -.226 .216
Nominal Cramer's V .226 .216
N of Valid Cases 30
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the
null hypothesis.
Interpretasi hasil output:
Cara membacaya:

Jika , maka ada korelasi

Jika , maka tidak ada korelasi

Hasil analisis:

Kesimpulan:

, maka tidak ada korelasi

(3) Korelasi Spearman Rho


Digunakan untuk menguji hubungan antara dua variable
Data ordinal
Contoh:
Seorang peneliti ingin mengetahui apakah ada hubungan antara persepsi kinerja
guru fisika dalam mengajar dengan kemampuan dasar fisika yang dimiliki guru.
Data penelitian yang didapatkan sebagai berikut:

sampel persepsi kemampuan sampel persepsi kemampuan


1 60 37 16 52 30
2 58 36 17 51 30
3 56 35 18 51 30
4 55 34 19 50 29
5 54 34 20 50 28
6 54 33 21 50 27
7 54 33 22 49 26
8 54 33 23 48 25
9 53 33 24 48 23
10 53 33 25 48 22
11 53 32 26 47 21
12 52 32 27 46 21
13 52 31 28 45 21
14 52 31 29 45 21
15 52 30 30 45 21

Setelah mendapatkan data, maka data akan dianalisis.


Langkah-langkah:
Masukkan data kedalam spss seperti berikut:

Klik variable view kemudian Setup data seperti berikut:

Klik analyze-correlate-bivariate, seperti berikut:


Kemudian muncul jendela sebagai berikut:

Pada bagian correlation coeffisients, hilangkan tanda centang pada person dan beri
centang pada spearman seperti berikut:

Kemudian klik ok, dan muncul hasil analisis sebagai berikut:

Correlations
PERSEPSI KEMAMPU
AN
Correlation
1.000 .988**
Coefficient
PERSEPSI
Sig. (2-tailed) . .000
N 30 30
Spearman's rho
Correlation
.988** 1.000
KEMAMPU Coefficient
AN Sig. (2-tailed) .000 .
N 30 30
**. Correlation is significant at the 0.01 level (2-tailed).
Interpretasi hasil output:
Cara membacaya:

Jika , maka ada korelasi

Jika , maka tidak ada korelasi

Hasil analisis:

dan ,

Kesimpulan:

, maka ada korelasi

(4) Korelasi Point Biserial


Digunakan untuk menguji hubungan antara dua variable
Data interval dan nominal
Contoh:
Seorang peneliti ingin mengetahui apakah ada hubungan antara jenis kelamin
dengan kemampuan fisika. Dimana 0=laki-laki, dan 1 perempuan. Data penelitian
yang didapatkan sebagai berikut:

sampe GENDE KEMAMPUAN sampe GENDE KEMAMPUAN


l R FISIKA l R FISIKA
1 1 19 16 0 30
2 1 29 17 1 36
3 1 33 18 1 35
4 0 34 19 0 20
5 1 32 20 1 35
6 1 26 21 1 17
7 1 26 22 1 15
8 0 31 23 1 37
9 0 31 24 0 18
10 0 31 25 1 21
11 0 33 26 0 23
12 0 24 27 1 24
13 1 31 28 0 28
14 1 34 29 1 32
15 1 28 30 0 36

Setelah mendapatkan data, maka data akan dianalisis.


Langkah-langkah:
Masukkan data kedalam spss seperti berikut:

Klik variable view kemudian Setup data seperti berikut:

Klik analyze-correlate-bivariate, seperti berikut:


Kemudian muncul jendela sebagai berikut:

Masukkan variable persepsi dan sikap kedalam kolom variable sbb:


Kemudian klik ok, dan muncul hasil analisis sebagai berikut:

Correlations

gender2 kemampuan2

gender2 Pearson Correlation 1 .007

Sig. (2-tailed) .972

N 30 30

kemampuan2 Pearson Correlation .007 1

Sig. (2-tailed) .972

N 30 30

Interpretasi hasil output:


Cara membacaya:

Jika , maka ada korelasi

Jika , maka tidak ada korelasi

Hasil analisis:

dan ,

Kesimpulan:

, maka tidak ada korelasi


b. Koefisien Korelasi Non Product Moment
(1) Koefisien Contingency
Digunakan untuk menguji hubungan antara dua variable
Data nominal, ordinal
Contoh:
Seorang peneliti ingin mengetahui apakah ada hubungan antara jenis kelamin
dengan merokok. Dimana untuk jenis kelamin 0=laki-laki, dan 1 perempuan dan
untuk merokok 0=tidak merokok, dan 1=merokok. Data penelitian yang didapatkan
sebagai berikut:

sampel Gender merokok sampel gender merokok


1 1 1 16 0 0
2 1 0 17 0 1
3 1 0 18 1 0
4 1 0 19 1 1
5 1 0 20 0 0
6 1 1 21 1 1
7 0 0 22 1 0
8 1 0 23 0 0
9 1 1 24 0 1
10 1 1 25 1 0
11 1 1 26 1 1
12 1 0 27 1 1
13 0 0 28 1 0
14 0 1 29 0 0
15 0 0 30 1 0
Setelah mendapatkan data, maka data akan dianalisis.
Langkah-langkah:
Masukkan data kedalam spss seperti berikut:

Klik variable view kemudian Setup data seperti berikut:


Klik analyze-deskriptive statistics-crosstabs

Kemudian muncul jendela sebagai berikut:

Masukkan variable gender ke dalam row dan merokok kedalam kolom sebagai
berikut:
Klik statistics maka akan muncul jendela sbb:

Beri centang Chi-square dan Contingency Coefficient sbb:


Kemudian klik continue. Maka kembali ke jedela sebelumnya

Kemudian klik cell, maka muncul jendela berikut:

Kemudian beri centang expected, row dan total sbb:


Kemudian klik continue, maka akan kembali ke jendela sebelumnya.

Kemudian klik ok, dan muncul hasil analisis sebagai berikut:

Chi-Square Tests
Value df Asymp. Sig. Exact Sig. (2- Exact Sig. (1-
(2-sided) sided) sided)
a
Pearson Chi-Square .625 1 .429
Continuity Correctionb .156 1 .693
Likelihood Ratio .638 1 .424
Fisher's Exact Test .694 .350
Linear-by-Linear
.604 1 .437
Association
N of Valid Cases 30
a. 1 cells (25.0%) have expected count less than 5. The minimum expected count is 4.00.
b. Computed only for a 2x2 table

Symmetric Measures
Value Approx.
Sig.
Nominal by Contingency
.143 .429
Nominal Coefficient
N of Valid Cases 30
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null
hypothesis.

Interpretasi hasil output:


Cara membacaya:
Chi-Square test

Jika , maka ada korelasi

Jika , maka tidak ada korelasi

Contingency Coeficient

Jika , maka ada korelasi

Jika , maka tidak ada korelasi

Hasil analisis:
Chi-Square test

dan

Contingency Coeficient

, maka

Kesimpulan:

dan maka tidak ada korelasi

(2) Kendal Tau


Digunakan untuk menguji hubungan antara dua variable
Data interval dan rasio
Contoh:
Seorang peneliti ingin mengetahui apakah ada hubungan antara IQ dengan
kemampuan fisika. Data penelitian yang didapatkan sebagai berikut:

Kemampuan Kemampuan
sampel IQ Fisika sampel IQ Fisika
1 129 38 16 113 32
2 126 36 17 113 31
3 126 36 18 113 31
4 125 36 19 113 30
5 125 36 20 112 30
6 123 35 21 110 29
7 121 35 22 109 28
8 120 34 23 108 27
9 119 34 24 107 27
10 118 34 25 106 27
11 118 34 26 106 26
12 118 34 27 106 26
13 116 34 28 105 24
14 116 32 29 104 22
15 115 32 30 102 21

Setelah mendapatkan data, maka data akan dianalisis.


Langkah-langkah:
Masukkan data kedalam spss seperti berikut:

Klik variable view kemudian Setup data seperti berikut:

Klik analyze-correlate-bivariate, seperti berikut:

Kemudian muncul jendela sbb:


Masukkan variable persepsi dan sikap kedalam kolom variable sbb:

Kemudian klik ok, dan muncul hasil analisis sebagai berikut:

Correlations
IQ KEMAMPU
AN_FISIKA
Pearson
1 .962**
Correlation
IQ
Sig. (2-tailed) .000
N 30 30
Pearson
.962** 1
KEMAMPUAN_FI Correlation
SIKA Sig. (2-tailed) .000
N 30 30
**. Correlation is significant at the 0.01 level (2-tailed).
Interpretasi hasil output:
Cara membacaya:

Jika , maka ada korelasi


Jika , maka tidak ada korelasi

Hasil analisis:

dan ,

Kesimpulan:

, maka tidak ada korelasi

2. Korelasi ganda
Digunakan untuk menguji hubungan antara dua variable
Data interval dan rasio
Contoh:
Seorang peneliti ingin mengeetahui apakah ada hubungan antara IQ dengan kemampuan
matematika dan fisika. Data penelitian yang didapatkan sebagai berikut:

Sampel IQ MTK Fisika sampel IQ MTK Fisika


1 134 39 39 16 118 30 30
2 133 37 37 17 115 29 28
3 133 36 36 18 115 29 27
4 133 36 36 19 114 29 26
5 131 33 33 20 113 29 26
6 129 33 33 21 113 28 25
7 127 33 33 22 111 28 24
8 127 32 32 23 111 27 23
9 125 32 32 24 111 25 22
10 124 32 32 25 103 25 21
11 124 32 32 26 102 24 20
12 122 30 30 27 102 21 19
13 121 30 30 28 102 21 19
14 119 30 30 29 102 20 18
15 118 30 30 30 100 16 13
Setelah mendapatkan data, maka data akan dianalisis.
Langkah-langkah:
Masukkan data kedalam spss seperti berikut:
Klik variable view kemudian Setup data seperti berikut:

Klik analyze-correlate-partial

Kemudian muncul jendela sebagai berikut:

Masukkan variable IQ ke controlling for dan masukkan variable MTK dan Fisika ke
kedalam kolom variable sebagai berikut:
Kemudian klik ok, dan muncul hasil analisis sebagai berikut:

Correlations
Control Variables MTK FISIKA
Correlation 1.000 .808
Significance (2-
MTK . .000
tailed)
df 0 27
IQ
Correlation .808 1.000
FISIK Significance (2-
.000 .
A tailed)
df 27 0

Interpretasi hasil output:


Cara membacaya:

Jika , maka ada korelasi

Jika , maka tidak ada korelasi

Hasil analisis:

dan ,

Kesimpulan:

, maka tidak ada korelasi


DISTRIBUSI NILAI rtabel SIGNIFIKANSI 5% dan 1%

N The Level of Significance N The Level of Significance


5% 1% 5% 1%
3 0.997 0.999 38 0.320 0.413
4 0.950 0.990 39 0.316 0.408
5 0.878 0.959 40 0.312 0.403
6 0.811 0.917 41 0.308 0.398
7 0.754 0.874 42 0.304 0.393
8 0.707 0.834 43 0.301 0.389
9 0.666 0.798 44 0.297 0.384
10 0.632 0.765 45 0.294 0.380
11 0.602 0.735 46 0.291 0.376
12 0.576 0.708 47 0.288 0.372
13 0.553 0.684 48 0.284 0.368
14 0.532 0.661 49 0.281 0.364
15 0.514 0.641 50 0.279 0.361
16 0.497 0.623 55 0.266 0.345
17 0.482 0.606 60 0.254 0.330
18 0.468 0.590 65 0.244 0.317
19 0.456 0.575 70 0.235 0.306
20 0.444 0.561 75 0.227 0.296
21 0.433 0.549 80 0.220 0.286
22 0.432 0.537 85 0.213 0.278
23 0.413 0.526 90 0.207 0.267
24 0.404 0.515 95 0.202 0.263
25 0.396 0.505 100 0.195 0.256
26 0.388 0.496 125 0.176 0.230
27 0.381 0.487 150 0.159 0.210
28 0.374 0.478 175 0.148 0.194
29 0.367 0.470 200 0.138 0.181
30 0.361 0.463 300 0.113 0.148
31 0.355 0.456 400 0.098 0.128
32 0.349 0.449 500 0.088 0.115
33 0.344 0.442 600 0.080 0.105
34 0.339 0.436 700 0.074 0.097
35 0.334 0.430 800 0.070 0.091
36 0.329 0.424 900 0.065 0.086
37 0.325 0.418 1000 0.062 0.081