1 Pengertian Korelasi
Berikut ini adalah beberapa pendapat para ahli mengenai korelasi dan pengertian
korelasi secara umum.
a. Menurut Para Ahli
1) Menurut Gay dalam Sukardi (2004:166) penelitian korelasi merupakan salah satu
bagian penelitian ex–postfacto karena biasanya peneliti tidak memanipulasi
keadaan variabel yang ada dan langsung mencari keberadaan hubungan dan
tingkat hubungan variabel yang direfleksikan dalam koefisien korelasi.
2) Menurut Faenkel dan Wallen, penelitian korelasi atau korelasional adalah suatu
penelitian untuk mengetahui hubungan dan tingkat hubungan antara dua variabel
atau lebih tanpa ada upaya untuk mempengaruhi variabel tersebut sehingga tidak
terdapat manipulasi variabel
3) Menurut Mc Millan dan Schumacher, adanya hubungan dan tingkat variabel ini
penting karena dengan mengetahui tingkat hubungan yang ada, peneliti akan
dapat mengembangkannya sesuai dengan tujuan penelitian. Jenis penelitian ini
biasanya melibatkan ukuran statistik/tingkat hubungan yang disebut dengan
korelasi.
(Ahmad Wira, 2014).
b. Secara Umum
Korelasi adalah metode untuk mengetahui tingkat keeratan hubungan antara dua
peubah atau lebih yang digambarkan oleh besarnya korelasi. Koefisien korelasi
adalah koefisien yang menggambarkan tingkat keeratan hubungan antar dua peubah
atau lebih. Besaran dari koefisien korelasi tidak menggambarkan hubungan sebab
akibat antara dua peubah (lebih) tapi semata-mata menggambarkan keterlibatan linier
antar peubah. Nilai koefisien korelasi berkisar antara (-1) sampai 1
𝑁(∑ 𝑥𝑦)−(∑ 𝑥 ∑ 𝑦)
𝑟 ……………………………….(2.23)
{(𝑁 ∑ 𝑥2−(∑ 𝑥)2)(𝑁 ∑ 𝑦2−(∑
=
𝑦)2)}1/2
Contoh kasus:
PT. Cemerlang dalam beberapa bulan yang lalu sangat gencar mempromosikan
sejumlah peralatan elektronik dengan membuka outlet- oulet (toko) di berbagai
daerah. Berikut ini data mengenai biaya promosi (X) dan penjualan (Y) (dalam
jutaan Rp) di 15 daerah di Indonesia.
𝑅2 = 𝐽𝐾(𝑟𝑒𝑔)……………………………………………..………….(2.24)
∑ 𝑌2
Dimana :
Dari nilai koefisien korelasi (R) yang diperoleh didapat hubungan – 1 < R < 1
sedangkan harga untuk masing-masing nilai R adalah sebagai berikut :
4) Apabila nilai R berada diantara –1 dan 1, maka tanda negatif (–) menyatakan
adanya korelasi tak langsung atau korelasi negatif dan tanda positfi (+)
menyatakan adanya korelasi langsung atau korelasi positif .
Contoh kasus:
Dari suatu penelitian yang berjudul “kepemipinan dan tata ruang kantor dalam
kaitannya dengan kepuasa kerja pegawai di lembaga a”. Berdasarkan data yang
terkumpul untuk setiap variabel, dan setelah dihitung korelasi sederhananya
ditemukan sebagai berikut:
= 0,48
3) Korelasi antara kepemimpinan dengan tata ruang kantor, r3 = 0,22.
Dengan demikian rumus korelasi ganda antara kepemimpinan dan tata ruang kantor
secara bersama-sama dengan kepuasan kerja pegawai dapat dihitung.
c. Korelasi Pearson
3) Variabel X dan Y simetris. Variabel X tidak berfungsi sebagai variabel bebas dan
Y sebagai variabel tergantung
4) Sampling representative
𝑁 ∑ 𝑥𝑦−(∑ 𝑥)(∑ 𝑦)
𝑟𝑥𝑦 = ……………………………….(2.25)
2 2
√[𝑁 ∑ 𝑥2+(∑ 𝑥) ][𝑁 ∑ 𝑦2+(∑ 𝑦) ]
Dimana :
Contoh kasus:
Seorang peneliti ingin mengetahui apakah ada hubungan antara banyaknya jumlah
pupuk urea diberikan pada tanaman terhadap hasil yang diperoleh. Pada
penelitiannya ia mencoba pupuk urea butiran pada tanaman cabai merah.
Hipotesis
Ho : r = 0, tidak ada hubungan antara dosis pupuk urea dengan hasil cabai
Ho : r ≠ 0, ada hubungan antara dosis pupuk urea dengan hasil cabai Hasil percobaan
𝑛 ∑ 𝑋𝑌 − ∑ 𝑋 ∑ 𝑌
𝑟=
√(𝑛 ∑ 𝑋2 − (∑ 𝑋)2)(𝑛 ∑ 𝑌2 − (∑ 𝑌)2)
14(1324) − (156)(91)
𝑟=
√(14(2768) − (156)2)(14(639) − (91)2)
𝑟 = 1,401
Rtabel = ra(df) = r0,05(n-2) = r0,05 (14-2) = r0,05(12) = 0,5324
Jadi, ada hubungan yang nyata antara dosis pupuk urea dengan hasil cabai. Karena
nilai r positif, maka kita dapat menyatakan bahwa hubungan keduanya positif, yaitu
semakin banyak dosis pupuk urea yang diberikan, maka semakin tinggi hasil cabai
yang diperoleh
(Harinaldi, 2005).
Jika pengamatan dari 2 variabel X dan Y adalah dalam bentuk skala ordinal, maka
derajat korelasi dicari dengan koefisien korelasi Spearman. Prosedurnya terdiri atas :
1) Atur pengamatan dari kedua variabel dalam bentuk ranking
2) Cari beda dari masing-masing pengamatan yang sudah berpasangan
3) Hitung koefisien korelasi Spearman dengan rumus
Dimana :
Contoh kasus:
6×9
𝜌𝑥𝑦 = 1 −
10(102 − 1)
114
𝜌𝑥𝑦 = 1 −
10(99)
114
𝜌𝑥𝑦 = 1 −
990
𝜌𝑥𝑦 = 1 − 0,115
𝜌𝑥𝑦 = 0,88
Analisis korelasi rank Kendall digunakan untuk mencari hubungan dan menguji
hipotesis antara dua variabel atau lebih, bila datanya berbentuk ordinal atau ranking.
Kelebihan metode ini bila digunakan untuk menganalisis sampel berukuran lebih dari
10 dan dapat dikembangkan untuk mencari koefisien korelasi parsial. Metode yang
digunakan pada analisis koefisien rank Kendall yang diberi notasi 𝜏 adalah sebagai
berikut:
1) Beri rangking data observasi pada variabel X dan variabel Y.
2) Susun n objek sehingga rangking X untuk subjek itu dalam urutan wajar, yaitu
1, 2, 3, …, n. apabila terdapat rangking yang sama maka rangking-nya adalah
rata-ratanya.
3) Amati rangking Y dalam urutan yang bersesuaian dengan rangking X yang ada
dalam urutan wajar kemudian tentukan jumlah angka pasangan concordant
(Nc) dan jumlah angka pasangan discordant (Nd)
𝜏 = 𝑁𝑐 − 𝑁𝑑/(𝑁(𝑁 − 1)/2)…………………………………(2.27)
Dimana:
Contoh kasus:
1) Klik Analyze
2) Correlate
3) Bivariate
5) Pilih Spearman Rho atau Kendall's Tau. Jangan lupa menonaktifkan pilhan
Pearson.
6) Pada test significance, pilih Two tailed untuk diuji dua sisi.
7) Kemudian OK Hipotesis:
H0= Tidak ada hubungan antara kepuasan dan loyalitas H 1= terdapat hubungan
antara kepuasan dan loyalitas.
Kriteria uji : Tolak hipotesis nol (H0) jika nilai signifikansi p-value (< 0.05)
Hasil output SPSS:
f. Korelasi Parsial
Keterangan :
Y : skor variabel y
rX2Y – (rX2Xkorelasi
Menggabungkan 1)(rYX1korelasi
).....................................................................(2.29)
sederhana, dimulai dengan r untuk X2 dan Y,
korelasi sebelum X1 dikontrol; kemudian dikeluarkan (dikurangi) korelasi X 1
dengan Y dan X2 (rX2X1 dan rYX1).
Contoh kasus:
53
belajar jika terdapat faktor tingkat stress pada siswa yang diduga mempengaruhi
akan dikendalikan. Dengan ini Andi membuat 2 variabel yaitu kecerdasan dan
prestasi belajar dan 1 variabel kontrol yaitu tingkat stress. Tiap-tiap variabel dibuat
beberapa butir pertanyaan dengan menggunakan skala Likert, yaitu angka 1 = Sangat
tidak setuju, 2 = Tidak setuju, 3 = Setuju dan 4 = Sangat Setuju. Setelah
membagikan skala kepada 12 responden didapatlah skor total item-item yaitu
sebagai berikut:
1 33 58 25
2 32 52 28
3 21 48 32
4 34 49 27
5 34 52 27
6 35 57 25
7 32 55 30
8 21 50 31
9 21 48 34
10 35 54 28
11 36 56 24
12 21 47 29
g. Korelasi Phi
Teknik Korelasi Phi adalah salah-satu teknik analisis korelasional yang dipergunakan
apabila data yang dikorelasikan adalah data yang benar- benar dikotomik (terpisah
atau dipisahkan secara tajam). Dengan istilah lain variabel yang dikorelasikan itu
adalah variabel diskrit murni. Misalnya : Laki-laki/Perempuan, Hidup/Mati,
Lulus/Tidak Lulus dan sebagainya. Angka Indeks Korelasi phi dilambangkan dengan
huruf Ø (phi). Seperti halnya rxy dan Rho, maka Ø besarnya juga berkisar antara
0,00 sampai dengan ±1,00.
Phi dapat dicari menggunakan rumus:
|𝐴𝐷−𝐵𝐶|
∅= ………………………………………..(2.30)
√(𝐴+𝐵)(𝐶+𝐷)(𝐴+𝐶)
(𝐵+𝐷)
54
Contoh kasus:
Penerapan koefisien korelasi Phi diambil dari buku Introduction To Probability And
Statistics. Sebuah study dilakukan untuk melihat apakah ada hubungan antara tempat
tinggal (desa dan kota) dan keinginan untuk menggunakan sistem komputerisasi
perbankan. Data pada tabel 3.5 diperoleh dalam survey 500 pelanggan yang dipilih
secara acak dari bank yang menawarkan komputerisasi perbankan lebih dari setahun.
Tabel 2.17 Hasil survey 500 pelanggan
Sistem Komputerisasi
Total
Tempat Tinggal Ya Tidak
Desa 150 75 225
Kota 150 125 275
Total 300 200 500
D=125 B+D=200
Sehingga koefisien korelasi Phi dari study yang dilakukan adalah sebagai berikut
|𝐴𝐷 − 𝐵𝐶|
∅=
√(𝐴 + 𝐵)(𝐶 + 𝐷)(𝐴 + 𝐶)(𝐵 + 𝐷)
7500
∅=
60930.29
∅ = 0.12
Dari perhitungan diatas dapat disimpulkan bahwa korelasi antara tempat tinggal (desa
dan kota) dengan kenginan untuk menggunakan komputerisasi perbankan sebesar
0,12 yang berarti karelasi antara tempat tinggal (desa dan kota) dan keinginan
menggunakan komputerisasi perbankan sangat lemah (Singgih Purnomo, 2014).
h. Korelasi Kontingensi
Koefisien Kontingensi adalah uji korelasi antara dua variabel yang berskala data
nominal. Fungsinya adalah untuk mengetahui asosiasi atau relasi antara dua
perangkat atribut. Koefisien ini fungsinya sama dengan beberapa jenis koefisien
korelasi lainnya, seperti koefisien korelasi phi, cramer, lambda, uncertainty,
spearman, kendall tau, gamma, Sommer’s. Namun dalam hal ini, Kontingensi C
adalah uji korelasi yang spesifik untuk data berskala nominal. Selain itu uji ini juga
paling sering atau lazim digunakan dibandingkan uji koefisien korelasi data nominal
lainnya (Santoso, 2009).
𝑋2
𝐶=√ 𝑁2+𝑋2 ...................................................................................(2.31)
Keterangan :
Contoh:
Ingin diketahui hubungan antara daerah tempat tinggal (urban dan rural) terhadap
kemungkinan beberapa penyakit degeneratif (PJK, ginjal, ca paru, ca colon). Sampel
yang diambil sebanyak 200 orang.
2) Menghitung nilai X2
= 5,729
Cmaks m
= √ (2-1) /2 = √ 0,5 = 0,70
1
m
Dari point c dan d diperoleh nilai C sebesar 0,16 dan C max = 0,70. Karena
nilai C dan C max cukup jauh, artinya derajat keeratan hubungan antara
variabel independen (daerah tempat tinggal) dengan variabel dependen
(penyakit degeneratif) tidak kuat.
5) Menentukan X2 tabel
Dengan melihat tabel chi square pada df =3 dan α = 0,05 diperoleh nilai X 2
tabel = 7,815.
6) Bandingkan X2 hitung dengan X2 tabel
X2 hitung < X2 tabel = 5,279 < 7,815 H0 gagal ditolak (tidak ada hubungan
antara daerah tempat tinggal dengan penyakit degeneratif).
i. Korelasi Poin Berserial
Teknik korelasi point-serial digunakan untuk menghitung korelasi antara dua variabel,
yang satu berskala nominal dan yang lain berskala interval. Misalnya: Korelasi antara
jenis kelamin siswa dengan kecakapan matematika. Disamping itu, teknik korelasi ini
pada umumnya juga digunakan untuk menerapkan koefisien korelasi (validitas butir)
antara butir-butir tes yang diskor dikotomi (betul=1, salah=0) dengan skor totalnya
yang dianggap berskala pengukuran interval. ( Iskandar, 2010)
= xi−xt √ p
Γpbi ...................................................................
St1−p
(2.32)
Keterangan :
Jika jawab Benar skor 1 dan jika jawab salah skor 0. Uji Validitas yaitu mencari
korelasi antara butir soal & totalnya, sebagai berikut :
36
𝑥𝑡 = = 3,6
10
2 1 2
𝑆𝑡 2
− (∑ 𝑥) )
= (𝑛 ∙ ∑ 𝑥
𝑛 ∙ (𝑛 − 1)
1
𝑆2= (10 ∙ 174 − (36)2)
𝑡
10 ∙ (10 − 1)
1
𝑆2= (1740 − 1296)
𝑡
90
1
𝑆2= (444)
𝑡
90
𝑆𝑡2 = 4,9333
𝑆𝑡 = √4,9333
𝑆𝑡 = 2,2211
7
𝑝= = 0,7
10
(4 ∙ 1) (5 ∙ (3 ∙ (2 ∙ (1 ∙ (7 ∙ (6 ∙ 1)
1) 0) 1) 0) 1)
𝑥𝑖 = + + + + + +
7 7 7 7 7 7 7
(0 ∙ 0) (3 ∙ 1) (5 ∙ 1)
+
7 7
+ 7
+
4 5 0 2 0 7 6 0 3 5
𝑥𝑖 = + + + + + + + + +
7 7 7 7 7 7 7 7 7 7
32
𝑥𝑖 =
7
𝑥𝑖 = 4,5714
𝛤𝑝𝑏𝑖 = 𝑥𝑖 − 𝑥𝑡 𝑝
√
1−𝑝
𝑆𝑡
𝛤𝑝𝑏𝑖 = (0,4374)(1,5275)
𝛤𝑝𝑏𝑖 = 0,6681
9
𝑝= = 0,9
10
(4 ∙ 1) (5 ∙ 1) (3 ∙ 1) (2 ∙ 1) (1 ∙ 1) (7 ∙ 1) (6 ∙ (0 ∙ 0) (3 ∙ 1) (5 ∙ 1)
1)
𝑥𝑖 = + + + + + + + +
9 9 9 9 9 9 9 9 9 9
+
4 5 3 2 1 7 6 0 3 5
𝑥𝑖 = + + + + + + + + +
9 9 9 9 9 9 9 9 9 9
36
𝑥𝑖 =
9
𝑥𝑖 = 4
𝛤𝑝𝑏𝑖 = 𝑥𝑖 − 𝑥𝑡 𝑝
√
𝑆
𝑡 1−𝑝
𝛤𝑝𝑏𝑖 = 4 − 3,6 0,9
√
2,2211 1 − 0,9
𝛤𝑝𝑏𝑖 = (0,1801)(3,00)
𝛤𝑝𝑏𝑖 = 0,5403
j. Korelasi Kanonik
Salah satu jenis metode analisis multivariat adalah analisis korelasi kanonik
(cannonical correlation), Analisis korelasi kanonik ialah suatu teknik statistik yang
digunakan untukmenentukan tingkatan asosiasi linear antara dua perangkat variabel,
dimana masing-masingperangkat terdiri dari beberapa variable. Sebenarnya
analisis korelasi kanonik merupakan perpanjangan dari analisis regresi linear
berganda yang berfokus pada hubungan antara dua perangkat variabel yang
berskala interval. Fungsi utama teknik ini ialah untuk melihat hubungan linieritas
antara variabel-variabel terikat (variabel-variabel dependen) dengan beberapa
variabel bebas yang berfungsi sebagai prediktor.
Dalam analisis korelasi kanonik, model persamaan kanonik yang digunakan adalah
sebagai berikut:
Y1 + Y2 + Y3 = X1 + X2 + X3 + X4.......................................................................(2.33)
Dimana:
Variabel kanonik, pada umumnya buatan. Artinya, mereka tidak memiliki makna
fisik. Jika variabel asli X (I) dan X (2) digunakan, koefisien kanonik a dan b
memiliki unit sebanding dengan X (l) dan X (2) set. Jika variabel aslinya adalah
standar untuk memiliki mean nol dan varians unit, koefisien kanonik tidak memiliki
satuan pengukuran, dan harus ditafsirkan dalam hal standarisasi variabel.
a. Definisi
b. Persamaan
Kd = r2 x 100%..........................................................................................(2.34)
Dimana :
.............................................................. (2.35)
Dimana
c. Contoh Kasus
Diagram pencar ini memiliki hubungan yang saling sejalan/searah dan membentuk
garis lurus dari persamaan yang didapatkan. Dimana apabila nilai X naik maka
nilai Y juga ikut naik.
b. Diagram Pencar Linier Negatif
Digaram pencar ini memiliki hubungan yang terbalik. Dimana apabila nilai X
meningkat maka nilai Y nya menurun. Dan persamaannya membentuk garis lurus.
c. Diagram Pencar Kurva Positif
Keterkaitan dua variabel yang bersifat tidak linear sama seperti diagram pencar
linear positif hanya saja mempunyai pola hubungan kurvilinier positif dan
menggunakan persamaan fungsi kuadrat yaitu y = ax 2 + bx + c, jika a > 0 maka
akan membentuk kurva positif.
d. Diagram Pencar Kurva Negatif
Keterkaitan dua variabel yang bersifat tidak linear sama seperti diagram pencar
linear negatif hanya saja mempunyai pola hubungan kurvilinier negatif dan
menggunakan persamaan fungsi kuadrat yaitu y = ax2 + bx
+ c, jika a < 0 maka akan membentuk kurva positif.
Secara visual diagram pencar ini menggambarkan tidak ada hubungan antara
variabel X dan Y seolah-olah keduanya tidak saling mempengaruhi
(ITB, 2008).
Standard Error of the Estimate adalah suatu ukuran banyaknya kesalahan model
regresi dalam memprediksikan nilai Y. Sebagai pedoman jika Standard error of the
estimate kurang dari standar deviasi Y, maka model regresi semakin baik dalam
memprediksi nilai Y.
Contoh kasus:
Kita mengambil contoh kasus pada uji normalitas, yaitu sebagai berikut: Seorang
mahasiswa bernama Bambang melakukan penelitian tentang faktor- faktor yang
mempengaruhi harga saham pada perusahaan di BEJ. Bambang dalam penelitiannya
ingin mengetahui hubungan antara rasio keuangan PER dan ROI terhadap harga saham.
Dengan ini Bambang menganalisis dengan bantuan program SPSS dengan alat analisis
67
regresi linear berganda. Dari
68
uraian di atas maka didapat variabel dependen (Y) adalah harga saham, sedangkan
variabel independen (X1 dan X2) adalah PER dan ROI.
Data-data yang di dapat berupa data rasio dan ditabulasikan sebagai berikut:
Dari hasil regresi di dapat nilai 870,80 atau Rp.870,80 (satuan harga saham), hal ini
berarti banyaknya kesalahan dalam prediksi harga saham sebesar Rp.870,80. Sebagai
pedoman jika Standard error of the estimate kurang dari standar deviasi Y, maka model
regresi semakin baik dalam memprediksi nilai Y.