BAB I

PENDAHULUAN
1.1 Latar belakang
Sepanjang sejarah umat manusia, orang melakukan penelitian tentang
ada tidaknya hubungan antara dua hal, fenomena, kejadian atau lainnya. Dan
ada tidaknya pengaruh antara satu kejadian dengan kejadian yang lainnya.
Karena itu untuk mempermudah dalam melakukan penghitungan suatu
kejadian maka kita menggunakan analisis korelasi.
Korelasi merupakan teknik analisis yang termasuk dalam salah satu
teknik pengukuran asosiasi / hubungan (Measures of association). Teknik ini
berguna untuk mengukur kekuatan hubungan antara dua variabel (kadang
lebih dari dua variabel) dengan skala-skala tertentu. Diantara sekian banyak
teknik-teknik pengukuran asosiasi, terdapat dua teknik korelasi yang sangat
populer sampai sekarang, yaitu Korelasi Pearson Product Moment dan
Korelasi Rank Spearman.
Maksud dari pembuatan makalah ini adalah untuk memberikan
gambaran dan pengetahuan mengenai hubungan suatu kejadian atau lebih kita
kenal dengan istilah korelasi. Seperti yang kita ketahui bahwa suatu
kejadian/fenomena pasti mempunyai keterkaitan satu sama lain dan pengaruh
bagi lingkungan sekitar.tapi tidak semua kejadian bisa dikaitkan dengan yang
lain tergantung unsur-unsur /kriteria – kriteria apa saja yang mempunyai
keterkaitan dan yang mempengaruhinya. Tujuan dari pembuatan makalah
adalah Memberikan informasi dan wawasan mengenai korelasi. Mengukur
kekuatan hubungan antara dua variabel dengan skala-skala tertentu dalam
korelasi.
1.2 Rumusan Masalah
1.2.1 Apa yang dimaksud dengan korelasi?
1.2.2 Apa sajakah kegunaan dari korelasi?
1.2.3 Apa sajakah arah korelasi?
1.2.4 Sebutkan macam-macam koefisien korelasi?

1
1.3 Tujuan Masalah
1.3.1 Untuk dapat mengetahui pengertian dari korelasi.
1.3.2 Untuk dapat mengetahui kegunaan dari korelasi.
1.3.3 Untuk mengetahui arah korelasi
1.3.4 Untuk dapat mengetahui macam-macam dari koefisien korelasi.

2
 BAB II
PEMBAHASAN
2.1 Pengertian Korelasi
Menurut Rangkuti (2017:63) korelasi menunjukkan hubungan timbal
balik antara variabel X dan Y. Hubungan timbal balik ini berarti bahwa
semata-mata hanya menunjukkan adanya hubungan , tetapi tidak diketahui
apakah variabel X mempengaruhi variabel Y atau sebaliknya. Korelasi ini
digunakan untuk mengetahui kecenderungan dua variabel, tidak bisa
dipastikan apakah variabel yang satu mempengaruhi variabel yang lainnya.
Supardi (2013) menjelaskan analisa korelasi merupakan suatu bentuk
analisis inferensial yang digunakan untuk mengetahui derajat atau kekuatan
hubungan, bentuk atau hubungan kausal dan hubungan timbal balik diantara
variabel-variabel penelitian. Selain itu analisis ini dapat juga digunakan untuk
mengetahui besarnya pengaruh suatu varibel bebas atau beberapa variabel
bebas secara bersama terhadap variabel terikat melalui analisis koefisien
determinasi.
Analisa korelasi pada garis besarnya dibedakan kepada dua, yaitu:
1. Korelasi antara dua variabel (bivariate correlation) misalnya
hubungan antara rambu-rambu lalu lintas dengan kecelakaan lalu
lintas.
2. Korelasi antara tiga variabel atau lebih (multivariate correlation)
misalnya hubungan antara kecerdasan dan motif belajar dengan
prestasi belajar.
2.2 Kegunaan Korelasi
Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua
variabel (kadang lebih dari dua variabel) dengan skala-skala tertentu, misalnya
Pearson data harus berskala interval atau rasio; Spearman dan Kendal
menggunakan skala ordinal.

3
2.3 Arah Korelasi
Dilihat dari segi arahnya, korelasi dibedakan antara dua macam, yaitu:
1. Korelasi searah atau korelasi positif (+)
Yaitu apabila dua variabel atau lebih berkorelasi secara paralel,
kenaikan satu variabel disertai dengan kenaikan pada variabel yang lain
atau penurunan nilai satu variabel disertai dengan penurunan pada variabel
yang lain. Misalnya, kenaikan harga bahan bakar minyak (BBM), diikuti
kenaikan ongkos-ongkos angkutan. Sebaliknya jika harga BBM turun,
maka ongkos angkutan menjadi turun. Dalam dunia pendidikan misalnya,
terdapat korelasi positif antara nilai-nilai belajar matematika dengan nilai
hasil belajar Fisika, Kimia, Biologi dan sebagainya.
2. Korelasi berlawanan arah atau korelasi negatif (-)
Yaitu apabila dua variabel atau lebih berkorelasi secara berlawanan
arah, kenaikan nilai satu variabel disertai dengan penurunan nilai variabel
lainnya. Misalnya meningkatnya kesadaran hukum dikalangan masyarakat
diikuti dengan menurunnya jumlah kejahatan yang dilakukan anggota
masyarakat, atau sebaliknya. Penurunan hasil belajar siswa dalam bidang
studi seni suara disertai dengan peningkatan hasil belajar bidang studi
matematika, kimia, biologi, dan sebagainya.
2.4 Macam-macam korelasi
2.4.1 Korelasi Pearson Product Moment
Korelasi ini dikembangkan oleh Karl Pearson.Data yang dapat diolah
dengan teknik korelasi Pearson Product Moment adalah data yang berskala
interval dan atau rasio. Penggunaan korelasi Pearson Product Moment
dilakukan jika data memenuhi empat syarat, yaitu:
1. Data berasal dari sampel yang diambil secara acak
2. Kedua kelompok data harus berbentuk data interval atau ratio
3. Kedua kelompok data harus berdistribusi normal
4. Data harus bersifat linear
Menurut Sugiyono (2017:228) teknik korelasi ini digunakan untuk
mencari hubungan dan membuktikan hipotesis hubungan dua variabel bila

4
data kedua variabel berbentuk interval atau ratio, dan sumber data dari dua
variabel atau lebih tersebut adalah sama.

Contoh :
Dari sampel yang diambil secara acak diperoleh data tentang skor pengujian
matematika dan fisika mahasiswa sebagai berikut:

Tabel 1. Skor Mahasiswa dalam Ujian Matematika dan Fisika

Siswa Skor Matematika (X) Skor Fisika (Y)
A 49 42
B 46 42
C 44 44
D 44 40
E 42 43
F 40 38
G 38 39
H 38 40
I 36 29
J 34 37
Jika semua persyaratan untuk analisis korelasi Pearson Product
Moment seperti disebutkan diatas sudah terpenuhi, lalu masukkan ke dalam
rumus korelasi Pearson Product Moment. Ada dua bentuk rumus korelasi
Pearson Product Moment yang sering digunakan orang dalam statistika,
namun kedua rumus tersebut akan menghasilkan hasil yang sama. Peneliti
dapat memilih rumus yang akan digunakan untuk mengolah data dari hasil
penelitiannya. Rumus korelasi tersebut adalah:
a. Rumus Angka Kasar
Rumus angka kasar adalah rumus untuk menghitung koefisien korelasi dua
variabel dengan menggunakan nilai asli yang ada pada masing-masing
data. Rumus tersebut yaitu:

5
Untuk dapat mengerjakan korelasi Pearson Product Moment dari data
seperti Tabel 1 diperlukan tabel persiapan seperti contoh pada Tabel 2
berikut:

Sisw X Y X2 Y2 XY
a
A 49 42 2401 1764 2058
B 46 42 2116 1764 1932
C 44 44 1936 1936 1936
D 44 40 1936 1600 1760
E 42 43 2116 1849 1806
F 40 38 1600 1444 1520
G 38 39 1444 1521 1482
H 38 40 1444 1600 1520
I 36 29 1296 841 1044
J 34 37 1156 1369 1258
10 411 394 17093 15688 16316

10 x 16316−( 411 ) (394)

r=
√ {10 x 17093−( 411 )2 } {10 x 15688− (394 )2 }
1226
=
√ 2009 x 1644
1226
=
√ 3302796

1226
=
1817,38

= 0,674

6
 Hasil rhitung= 0,674 lalu dibandingkan dengan r yang ada pada tabel.
Menurut Rangkuti (2017:67) koefisien korelasi yang diperoleh tersebut
harus diuji signifikansinya melalui perbandingan antara r hitungdan rtabel. Tabel
pembanding yang digunakan adalah tabel nilai-nilai r Product Moment.
Untuk mengetahui nilai rtabelterlebih dahulu lihat besarnya N. Dalam contoh
tersebut besarnya N adalah 10.Berdasarkan N itu lihat angka di tabel pada
taraf signifikansi tertentu. Taraf signifikansi adalah tingkat kepercayaan
penyelidikan atau besarnya kekeliruan yang diberikan toleransi yang
disebut juga dengan alpha atau α. Tingkat signifikansi yang sering
digunakan adalah α 0,05 atau dengan tingkat kepercayaan 95%. Jika
ternyata rhitunglebih besar dari pada rtabel, maka dapat diartikan bahwa
terdapat korelasi yang signifikansi antara variabel X dengan variabel Y,
sehingga hipotesis nol ditolak dan hipotesis penelitian dapat diterima.
Dari contoh diatas rtabeluntuk α 0,05 adalah sebesar 0,623. Dengan
demikian rhitungsebesar 0,674 lebih besar dari rtabel.Dengan demikian, dapat
disimpulkan bahwa terdapat korelasi yang signifikan antara nilai
matematika dengan nilai fisika.

2.4.2 Korelasi Tata Jenjang (RHO SPEARMAN)

Korelasi ini dikemukakan oleh Spearman yang disebut dengan korelasi
tata jenjang Spearman .Kalau data yang dimiliki berbentuk data ordinal atau
ranking, baik kedua variabelnya maupun salah satunya saja, maka untuk
menghitung korelasinya digunakan rumus korelasi tata jenjang Spearman.Jika
hanya salah satu variabel saja data yang berbentuk data ordinal (ranking),
sedangkan variabel yang satu lagi adalah data interval, maka data interval
terlebih dahulu harus diubah menjadi data yang berbentuk ordinal.Simbol
untuk korelasi tata jenjang ini digunakan ρ dan dibaca rho.
Rumus Spearman yang digunakan adalah:

7
Contoh;

Hitunglah korelasi antara ranking tes termasuk mahasiswa dengan ranking

IP mereka dari contoh dibawah ini.

Tabel 3. Data ranking tes dan ranking IP

Siswa Ranking tes masuk Ranking IP
A 1 2
B 2 1
C 3 5
D 4 3
E 5 4
F 6 7
G 7 8
H 8 9
I 9 6
J 10 10
Langkah-langkah kegiatan dalam menggunakan korelasi rho Spearman
adalah:
1. Membuat tabel untuk proses penghitungan korelasi tata jenjang
2. Jika data sudah berbentuk data ordinal dapat dilanjutkan menghitung
selisih ranking variabel pertama dengan variabel kedua
3. Jika data tidak berbentuk skala ordinal, ubah data menjadi data dalam
bentuk skala ordinal (ranking) baru hitung selisih ranking variabel
pertama dengan variabel kedua
4. Kuadratkan selisih ranking variabel pertama dengan ranking variabel
kedua (d2)
5. Jumlahkan d2
6. Hitung korelasi rho Spearman seperti rumus
7. Bandingkan nilai ρhitungdengan ρtabel.

Untuk menjawab soal pada tabel 3 disiapkan tabel untuk menghitung

d2seperti terdapat pada tabel berikut.
Tabel 4. Persiapan untuk menghitung korelasi rho

Siswa Rank Tes Rank IP D d2

8
 A 1 2 -1 1
B 2 1 1 1
C 3 5 -2 4
D 4 3 1 1
E 5 4 1 1
F 6 7 -1 1
G 7 8 -1 1
H 8 9 -1 1
I 9 6 3 9
J 10 10 0 0
0 20

Jika dimasukkan ke dalam rumus akan diperoleh hasil sebagai berikut:

6 ∑ d2
ρ=1- {
N (N 2−1) }
6 X 20
ρ = 1- { 10( 100−1) }
ρ = 1- {120
990 }

ρ = 1-0,12

ρ = 0,88

Hasil perhitungan ini kemudian diuji dengan tabel rho (ρ). Cara
menginterpretasikannyasama dengan korelasi Pearson Product Moment.
Berdasarkan nilai ρtabel dengan N = 10 untuk α 0,05 adalah 0,648. Jika
dibandingkan ternyata ρhitung>ρtabel.Dengan demikian, dapat disimpulkan
bahwa terdapat korelasi yang signifikan antara nilai tes masuk dengan IP
mahasiswa.

2.4.3 Korelasi Ganda

Korelasi Ganda (Multiple correlation) adalah suau nilai
yang memberikan kuatnya pengaruh atau hubungan dua

9
variabel atau lebih secara bersama-sama dengan variabel
lain. (Yulingga, 2017, 90)
Paradigma penelitian korelasi ganda dapat dilihat pada
gambar berikut ini:

Gambar 1.1 hubugan antara satu variabel terikat (Y) dengan

dua variabel bebas (X) sebagai satu kesatuan.(Rusdi, 2018,

Hal 234)

Rumus korelasi ganda melalui analisis korelasi tunggal adalah

sebagai berikut:

Keterangan : Ry12 = korelasi Y atas X1 dan X2

Ry1 = korelasi Y atas X1
Ry2 = korelasi Y atas X2
R12 = korelasi antara X1 dan X2 (Sulistiyono.2017
hal 142)

Contoh Penelitian

10
 Terdapat sebuah penelitian yang meneliti hubungan antara
ketekunan belajar (X1)dan kecerdasan (X2)dengan prestasi
belajar (Y). Berdasarkan hasil penelitian didapatkan data
seperti dibawah ini :
Siswa X₁ X₂ Y
1 2 3 3
2 6 6 7
3 5 5 6
4 4 4 4
5 7 6 7
6 3 4 5
7 6 6 6
8 5 6 6

Tabel 1.1 Data ketekunan belajar (X1)dan kecerdasan

(X2)dengan prestasi belajar (Y) dari 8 siswa
Hipotesis yang diuji adalah:
H0 : R = 0
H1 : R ˃ 0
Pengujian keberartian R ini melalui uji F dengan rumus.
Kriteria pengujiannya adalah terima H0 jika Fh ˃ Ft. Selanjutnya
adalah langkah pembuatan tabel kerja korelasi ganda :
a. Buat tabel kerja korelasi ganda
S X1 X2 Y X12 X22 Y2 X1 X1Y X2Y
X2
1 2 3 3 4 9 9 6 6 9
2 6 6 7 36 36 49 36 42 42
3 5 5 6 25 25 36 25 30 30
4 4 4 4 16 16 16 16 16 16
5 7 6 7 49 36 49 42 49 42
6 3 4 5 9 16 25 12 15 20
7 6 6 6 36 36 36 36 36 36
8 5 6 6 25 36 36 30 30 36
Σ 38 40 44 200 210 25 203 224 23
6 1

Tabel 1.2 Tabel kerja korelasi ganda

11
b. Hitung korelasi tunggal

8224-(38 )( 44)
ry1= √(8200 - 382 ) (8256- 44 2 )

ry1= 0,908

8231-(40 )( 44)
ry2= √(8210 - 402 ) (8256- 44 2 )

ry2= 0,93

8203-(38 )( 40)
r12 = √(8200 - 382 ) (8210- 402 )

ry1= 0,931
c. Hitung korelasi ganda
Berdasarkan harga – harga koefisien korelasi tunggal
yang sudah ditemukan maka koefisien korelasi ganda
dapat dihitung sebagai berikut :

0,90 8 2+ 0,93 2−2 ( 0,908 )( 0,93 )( 0,931 )❑

ry12 =
√ 1−0,9312

12
 ry12= 0,937

d. Uji keberartian harga R

Keterangan :
R2 = kuadrat korelasi (koefisien
determinasi)
m = jumlah variabel bebas
n = jumlah individu
Sehingga diperoleh harga F yakni sebagai berikut :
2❑
F = 0,9 37 /2
¿¿
F = 17,987
e. Keputusan Pengujian
Dengan menggunakan derajat kebebasan (db) 2 lawan
5 dapat ditemukan harga F teoritis dalam tabel nilai F
sebesar 5,79 pada taraf 5 % dan 13,27 pada taraf 1%.
Oleh karena itu harga F hitung terbukti lebih besar
darpada F teoritik baik pada taraf signifikasi 5 %
maupun 1% maka dapat disimpulkan bahwa koefisien
korelasi ganda antara ketekunan belajar (X1)dan
kecerdasan (X2)dengan prestasi belajar (Y) sangat
signifikan. (Sulistiyono, 2017, hal : 142-145)

2.4.4 KORELASI PARSIAL

Korelasi parsial (partial correlation)adalah suau nilai
yang memberikan kuatnya pengaruh atau hubungan dua

13
variabel atau lebih yang salah satu atau bagian variable X
konstan atau dikendalikan. Uji korelasi Parsial digunakan
untuk mengetahui pengaruh atau hubungan variabel X dan Y
dimana salah satu variabel X dibuat tetap (konstan).(Yulingga,
2017 hal 86
Korelasi parsial, biasa digunakan bersamaan
dengan korelasi ganda. Jika korelasi ganda untuk mengetahui
hubungan dua variabel independen atau lebih secara
bersamaan dengan variabel dependen maka korelasi
parsial digunakan untuk mengetahui hubungan masing-
masing variabel dengan variabel dependen.Korelasi parsial
pertama menyatakan hubungan antara variabel bebas
pertama dengan variabel terikat dengan menghilangkan
pengaruh (hubungan) variabel bebas kedua dengan
variabel terikatnya.
Korelasi parsial kedua menyatakan hubungan
antara variabel bebas kedua dengan variabel terikat
dengan menghilangkan pengaruh (hubungan) variabel
bebas pertama dengan variabel terikatnya. Melalui
menghilangkan pengaruh tersebut maaka kontribusi variabel
pertama maupun kedua terhadap variabel terikatnya
merupakan konstribusi yang mendekati murni.
Koefisien 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. (Rusdi, 2018, Hal 245)

Contoh Penelitian

14
 Berdasarkan penelitian hubungan antara ketekunan
belajar dan kecerdasan dengan prestasi belajar siswa
diperoleh data ry12 = 0,937. Koefisien korelasi ry12 = 0,937
tersebut adalah korelasi antara ketekunan belajar dan
kecerdasan bersama-sama sebagai satu kesatuan dengan
prestasi belajar. Jika hanya korelasi antara ketekunan belajar
saja dengan prestasi belajar atau hanya kecerdasan saja
dengan perstasi belajar, tentunya koefisien korelasinya akan
lebih rendah dari 0,937. Untuk menentukan berapa
sebenarnya harga korelasi antara ketekunan belajar saja atau
kecerdasan saja dengan prestasi belajar, maka korelasi ganda
tersebut perlu diparsialkan. Adapun rumus korelasi parsialnya
adalah sebagai berikut :

Keterangan :
ry1-2 = korelasi antara X1 dengan Y mengendalikan
X2
ry2-1 = korelasi antara X2 dengan Y mengendalikan
X1
ry1 = korelasi antara X1 dengan Y
ry2 = korelasi antara X2 dengan Y
r12 = korelasi antara X1 dengan X2
Berdasarkan rumus korelasi parsial tersebut tampak bahwa
kita harus menemukan harga – harga korelasi tunggal dari
variabel – variabel penelitian. Maka berdasarkan penelitian
penelitian hubungan antara ketekunan belajar dan
kecerdasan dengan prestasi belajar siswa diperoleh data r y1 =

15
0,908, ry2 = 0,93 dan r12 = 0,93, maka korelasi parsialnya
adalah sebagai berikut :

0,908-(0,93)(0,93)
ry1-2 =
√ (1- - 0,93 2 ) (1- 0 ,932 )
ry1-2 = 0,319

0,93-(0,908)(0,93)
ry2-1 =
√ (1- - 0,908 2 ) (1- 0 ,932 )
ry2-1 = 0,556

Berdasrakan hasil perhitungan koefisien korelasi parsial

tersebut, selanjutnya dilakukan pengujian signifikasi melalui
uji t dengan rumus sebagai berikut :

0 ,319 .√8-3
t= (1-- 0,31 92 )

t= 0,753

0 ,556 .√8-3
t=
(1- 0, 55 62 )
t = 1,496
Dengan db = n-3 = 5 diperoleh harga t teoritik sebesar 2,571
pada taraf 5 % dan 4,032 pada taraf 1 % sedangkan nilai t
hitung yang diperoleh adalah t = 0,753 dan t = 1,496. Hal ini

16
berarti harga t empirik lebih kecil daripada harga t teoritiknya.
Sehingga dapat disimpulkan bahwa tidak terdapat hubungan
yang signifikan antara variabel ketekunan belajar (X 1)dengan
prestasi belajar (Y) jika variabel kecerdasan (X 2) dikontrol.
(Sulistiyono, 2017, hal : 155-157)
2.4.5 Kendall Tau
Kendall tau digunakan untuk menguji korelasi antara dua variabel
berupa rangking dan datanya tidak terdistribusi normal atau tidak diketahui
distribusinya. Korelasi Kendall Tau diberinotasi (ґ) dengan rumus sebagai
berikut:
2S
τ=
n(n−1)
Di mana: S = selisih antara jumlah data yang lebih besar dengan jumlah
data yang lebih kecil
N = jumlah data

Contoh penggunaan koefisien Kendall Tau :

Terdapat empat peserta lomba (A,B,C,D) dengan 2 juri (X,Y) yang
diminta pendapatnya dengan memberikan rangking keempat peserta
dimulai dari yang paling rendah ke yang paling tinggi. Data hasil
penilaian kedua juria dalah:
Juri Peserta
A B C D
X 4 1 3 2
Y 3 1 4 2

Ujilah pada α = 5%, apakah penilaian kedua juri

berkesesuaian?
Langkah menguji hubungan tersebut dengan menggunakan
Kendall Tau:
1) Mengurutkan rangking atas dasar rangking X
Peserta
Juri
B D C A

17
 X 1 2 3 4
Y 1 2 4 3

2) Menghitung S
Perhitungan atas dasar urutan menurut juri Y
Rangking 1
1 mendahului 2 = +1
1 mendahului 4 = +1
1 mendahului 3 = +1
Jumlah = +3
Rangking 2
2 mendahului 4 = +1
2 mendahului 3 = +1

Rangking 4
4 mendahului 3 = -1
Jumlah s = 3+2-1 = +4
3) Menghitungτ
2S
τ=
n(n−1)
2 x4
τ=
4 (4−1)
8
τ=
12
τ =0.67
4) Konfirmasi tabel
N=4,s=4, τ tabel =0.167
5) Kesimpulan
Oleh karenaτ hitung=0.67> τ tabel ,maka dapat disimpulkan
bahwa penilaian kedua juri berkesesuaian atau berkorelasi.

2.4.6 Koefisien kontingen sic

18
 Koefisien kontingen sic ini digunakan untuk menguji hubungan antara
dua variabel yang datanya berbentuk data nominal (data kualitatif) dan
dihitung dengan rumus:

X2
c=
√ N + X2
Di mana :c = koefisienkontingensi
X2 = X2hitung
N = jumlah sampel responden
Koefisien kontingensi dikonsultasikan dnegan X2 tabel dengan
derajat kebebasan (dk) = (k-1) (b-1) padataraf α tertentu.
Contoh penggunaan dilakukan oleh mahasiswa kedokteran metro
untuk mengetuhi adakah hubungan tingkat pendidikan ibu dengan pemberian
imunisasi. Tingkat pendidikan dikelompokkan menjadi SD, SMP, dan SMA,
jenis pemberian imunisasi dikelompokkan menjadi Lengkap, Tidak lengkap,
Tidak samas ekali. Jumlah sampel sebanyak 400 orang dengan imunisasi
lengkap sejumlah 160 anak, tidak lengkap 140 anak, dan tidak sama sekali
sejumlah 100.
1. Membuat Tabel frekuensi tingkat pendidikan dengan pemberian
imunisasi
Tingkat Pemberian imunisasi Jumlah
Lengka Tidak Tidak sama
pendidikan ibu
p lengkap sekali
SD 40 80 60 180
SMP 60 30 30 120
SMA 60 30 10 100
Jumlah 160 140 100 400
Hipotesis yang diajukan:
Ho : tidak ada hubungan antara tingkat pendidikan ibu dengan
pemberian imunisasi
Ha : ada hubungan antara tingkat pendidikan ibu dengan
pemberian imunisasi
2. Menghitung Ei
SD

19
 180 x 160
Lengkap = =72
400
180 x 140
Tidak lengkap = =63
400
180 x 100
Tidak sama sekali = =45
400

SMP
120 x 160
Lengkap = =48
400
120 x 140
Tidak lengkap = =42
400
120 x 100
Tidak sama sekali = =30
400
SMA
100 x 160
Lengkap = =40
400
100 x 140
Tidaklengkap = =35
400
100 x 100
Tidaksamasekali = =25
400
3. MenghitungX2
Pemberian imunisasi
Tingkat pendidikan Lengka Tidak Tidak sama Jumlah
ibu p lengkap sekali
O Ei O Ei O Ei
SD 40 72 80 63 60 45 180
SMP 60 48 30 42 30 30 120
SMA 60 40 30 35 10 25 100
Jumlah 160 140 100 400

2 ∑ (Oi−Ei)2
X =
Ei
( 40−72 )2 ( 60−48 )2 (60−40 )2 ( 80−63 )2 ( 30−42 )2 ( 30−35 )2 ( 60−45 )2
X2= + + + + + + +
72 48 40 63 42 35 45

20
 X 2 =14.22+ 4.58+5+3+ 3.43+ 0+10+0.71+9
X 2 =49.94

4. Menghitung koefisien kontingensi c

X2
c=
√
N + X2
49.94
c=
√ 400+ 49.94
49.94
c=
√ 449.94
c= √ 0.11099
c=0.33
5. MelihatX 2tabel
dk = (k-1)(b-1) = 2 x 2 = 4
α = 5%
X 2 (4)(0.5) = 9.49

6. Kesimpulan
Oleh karena X 2 hitung= 49.94 > X 2 tabel = 9.49, maka dapat ditarik
kesimpulan Ho ditolakdan Ha diterima, yang artinya terdapat
hubungan yang signifikan antara tingkat pendidikan ibu dan
pemberian imunisasi sebesar 0.33

21
 BAB III
KESIMPULAN
Korelasi ialah salah satu teknik analisis statistic yang dipakai untuk
menghubungkan dua variable atau lebih. Hubungan antar variable bukanlah dalam
arti sebab akibat. Dalm korelasi dikenal variable bebas (X) dan variable terikat
(Y). Variabel X dan Y ini terdiri atas berbagai data, sehingga macam korelasi
yang dipakai ditentukan oleh jenis-jenis data yang akan kita hubungkan.
Koefisien korelasi berganda adalah tehnik melihat hubungan tiga
variabel atau lebih tanpa melihat kenaturalan hubungan masing-
masing variabel bebas dengan variabel tak bebasnya, sedangkan
koefisien korelasi parsial adalah tehnik melihat hubungan 3
variabel atau lebih dengan melihat kenaturalan hubungan dari
masing masing variabel bebas terhadap variabel tak bebasnya,
dengan membuat variabel control agar tidak berpengaruh ke
variabel lain.

22
 DAFTAR PUSTAKA

Sulistiyono.2017, Pusat Pengembangan Bahan Ajar-UMB.

Jakarta : Universitas Mercu Buana
Rusdi, Muhammad, 2018.statistik pendidikan teori dan praktek
dalam pendidikan. Medan : CV Widya Puspita
Yulingga, Wasis, 2017. Statistik pendidikan. Yogyakarta :
Deepublish

23
Lampiran

24
25