OLEH :
NURDIANI FAUZIAH
NIM. 17137016
DOSEN PENGAMPU:
Adree Octova, S.Si., M.T.
i
BAB I
PENDAHULUAN
A. LATAR BELAKANG
Korelasi adalah istilah statistik yang menyatakan derajat hubungan
linier antara dua variabel atau lebih. Analisis korelasi pertama kali
dikembangkan oleh Karl Pearson pada tahun 1900. Di dalam teknik
analisis korelasi, hubungan antara dua variabel hanya mengenal hubungan
searah (linier) saja, misalnya: tinggi badan menyebabkan berat badannya
bertambah, tetapi berat badannya bertambah belum tentu menyebabkan
tinggi badannya bertambah pula. Sehingga dari contoh tersebut dapat
diketahui bahwa dalam analisis korelasi dikenal penyebab dan akibatnya.
B. RUMUSAN MASALAH
1. Apa yang dimaksud dengan korelasi ?
2. Apa saja kegunaan dari analisis korelasi ?
3. Apa saja parameter yang ada pada analisis korelasi ?
1
4. Bagaimana langkah-langkah melakukan analisis korelasi pada Microsoft
Excell dan SPSS
C. TUJUAN
1. Memahami konsep korelasi
2. Memahami dan mengerti data dan parameter dalam analisis korelasi
3. Memahami kegunaan dari analisis korelasi
4. Memahami rumus-rumus yang digunakan dalam analisis korelasi
2
BAB II
DASAR TEORI
A. DESKRIPSI
1. Pengertian Koefisien Korelasi (KK)
Koefisien korelasi merupakan indeks atau bilangan yang
digunakan untuk mengukur keeratan (kuat, lemah, atau tidak ada)
hubungan antarvariabel.
Ada dua jenis statistik untuk menghitung korelasi:
1) Koefisien korelasi bivariate: Yaitu statistik yang dapat digunakan oleh
peneliti untuk menerangkan keeratan hubungan antara dua variabel.
2) Koefisien korelasi multi-variat: Yaitu statistik yang digunakan peneliti
untuk menggambarkan dan menentukan hubungan antara tiga variabel
atau lebih.
3
d. 0,20 < KK 0,40, korelasi rendah/lemah tapi pasti.
e. 0,40 < KK 0,70, korelasi yang cukup berarti/sedang.
f. 0,70 < KK 0,90, korelasi yang tinggi/kuat.
g. 0,90 < KK < 1,00, korelasi sangat tinggi; kuat sekali, dapat
diandalkan.
h. KK = 1, korelasi sempurna.
2. Jenis-jenis Hubungan Korelasi
a. Korelasi Positif
Korelasi positif adalah hubungan antara 2 variabel dimana
kenaikan satu variabel menyebabkan penambahan nilai pada variabel
lainnya. Atau sebaliknya, semakin kecil nilai suatu variabel, nilai
variabel lainnya juga akan ikut turun. Bisa dikatakan juga, korelasi ini
merupakan hubungan yang searah.
Contohnya : penambahan usia berbanding lurus dengan
penambahan tinggi badan, penambahan waktu produksi akan
berbanding lurus dengan penambahan jumlah produksi.
Contoh korelasi
positif
b. Korelasi Negatif
Korelasi negatif adalah hubungan antara 2 variabel dimana
kenaikan satu variabel menyebakan penurunan nilai dari variabel
lainnya. Begitu juga sebaliknya, semakin kecil nilai suatu variabel,
4
semakin besar nilai variabel lainnya. Hubungan antara kedua variabel
dalam kasus ini adalah berbalik arah.
Contohnya : semakin lama waktu belajar seseorang, semakin
sedikit kesalahan yang dilakukan saat ujian.
Dalam pendugaan ada atau tidaknya korelasi, kita bisa mengacu
kepada teori-teori yang sudah ada sebelumnya atau asumsi-asumsi yang
sudah diyakini kebenarannya. Dengan teori ini, kita bisa menduga
apakah terdapat korelasi antara kedua variabel atau tidak.
Misalkan saja, hubungan antara tingkat pendapatan dengan
jumlah tabungan. Semakin tinggi pendapatan seseorang, semakin besar
pula tabungan yang ia miliki.
Atau dengan contoh lain, semakin tinggi harga suatu produk,
semakin rendah daya beli masyarakat.
5
∑ ∑ ∑
√ ∑ ∑ ∑ ∑
Nilai dari koefisien korelasi (r) terletak antara -1 dan +1
.
1. Jika r = +1, terjadi korelasi positif sempurna antara variabel X dan
Y.
2. Jika r = -1, terjadi korelasi negatif sempurna antara variabel X dan
Y.
3. Jika r = 0, tidak terdapat korelasi antara variabel X dan Y.
4. Jika 0 < r < +1, terjadi korelasi positif antara variabel X dan Y.
5. Jika -1 < r < 0, terjadi korelasi negatif antara variabel X dan Y.
b. Koefisien Korelasi Rank Spearman
Koefisien korelasi ini digunakan untuk mengukur keeratan
hubungan antara dua variabel yang datanya berbentuk data ordinal
(data bertingkat). Disimbolkan dengan rs dan dirumuskan:
∑
Keterangan:
d = selisih ranking X dan Y
n = banyaknya pasangan data
c. Koefisien Korelasi Kontingensi
Koefisien korelasi ini digunakan untuk mengukur keeratan
hubungan antara dua variabel yang datanya berbentuk data nominal
(data kualitatif). Disimbolkan dengan C dan dirumuskan:
Keterangan:
= kai kuadrat
= jumlah semua frekuensi
d. Koefisien Penentu (KP) atau Koefisien Determinasi (R)
6
Apabila koefisien korelasi dikuadratkan, akan menjadi
koefisien penentu (KP) atau koefisien determinai, yang artinya
penyebab perubahan pada variabel Y yang datang dari variabel X,
sebesar kuadrat koefisien korelasinya. Koefisien penentu ini
menjelaskan besarnya pengaruh nilai suatu variabel (variabel X)
terhadap naik/turunnya (variasi) nilai variabel lainnya (variabel Y).
Dirumuskan:
Keterangan:
KK = koefisien korelasi
Nilai koefisien penentu ini terletak antara 0 dan +1 .
Jika koefisien korelasinya adalah koefisien korelasi Pearson (r), maka
koefisien penentunya adalah:
B. PERSYARATAN
A. Data (Variabel/Parameter)
Dalam korelasi sebenarnya tidak dikenal istilah variabel bebas dan
variabel tergantung. Biasanya dalam penghitungan digunakan simbol X
untuk variabel pertama dan Y untuk variabel kedua. Dalam contoh
hubungan antara variabel remunerasi dengan kepuasan kerja, maka
variabel remunerasi merupakan variabel X dan kepuasan kerja merupakan
variabel Y. Analisis korelasi sederhana (Bivariate Correlation) digunakan
untuk mengetahui keeratan hubungan antara dua variabel dan untuk
mengetahui arah hubungan yang terjadi. Koefisien korelasi sederhana
menunjukkan seberapa besar hubungan yang terjadi antara dua variabel.
Koefisien korelasi multivariat Yaitu statistik yang digunakan peneliti
7
untuk menggambarkan dan menentukan hubungan antara tiga variabel atau
lebih. Parameter output dari korelasi adalah nilai (koefisien) yang memiliki
nilai dari -1 hingga +1
B. Kelebihan (Kegunaan)
Analisis korelasi seringkali digunakan untuk menyatakan derajat
kekuatan hubungan antara dua variabel. Dengan mengetahui hubungan
antar 2 variabel, kita bisa mendeskripsikan bagaimana gambaran yang
lebih bermanfaat dari data-data yang kita miliki.
C. Perumusan
a. Koefisien Korelasi Perason
Disimbolkan dengan r dan dirumuskan:
∑ ∑ ∑
√ ∑ ∑ ∑ ∑
Keterangan:
d = selisih ranking X dan Y
n = banyaknya pasangan data
c. Koefisien Korelasi Kontingensi
Disimbolkan dengan C dan dirumuskan:
Keterangan:
= kai kuadrat
= jumlah semua frekuensi
8
d. Koefisien Penentu (KP) atau Koefisien Determinasi (R)
Keterangan:
KK = koefisien korelasi
Nilai koefisien penentu ini terletak antara 0 dan +1
. Jika koefisien korelasinya adalah koefisien korelasi Pearson (r),
maka koefisien penentunya adalah:
C. LANGKAH KERJA
1. Ms. Excel
Langkah-langkah melakukan analisis korelasi pada microsoft
excell adalah sebagai berikut :
a. Aktifkan program MS. Excel
b. Input data pada cells
c. Lalu klik menu DATA
d. Klik Data Analysis pada Ribbon Analysis di pojok kanan atas
(diatas Solver)
e. Pilih Correlate
9
f. Klik OK
g. Arahkan pointer kursor pada pada output range
h. Blok cell yang akan dianalisis
i. Setting Grouped By ke columns
j. Klik OK
k. Lihat hasilnya
Contoh :
Contoh :
Seorang Manager ingin menguji Keeratan hubungan (Korelasi)
antara Output yang dihasilkan oleh Produksi dengan biaya listrik yang
harus dibayarnya setiap bulan. Berikut ini adalah data 12 bulan yang
diambil oleh Manager tersebut :
10
9 95,000 9,800,000
10 101,000 10,100,000
11 115,000 11,000,000
12 80,000 9,800,000
Terdapat salah satu cara untuk menghitung Koefisien
Korelasi yaitu dengan menggunakan Data Analysis yang
merupakan Add-Ins Microsoft Excel yang dikhususkan untuk
melakukan Analisis Statistik. Cara Penggunaannya juga sangat mudah.
Langkah-langkah menghitung Koefisien Korelasi dengan
Data Analysis :
1. Buka Program Microsoft Excel
2. Masukan data diatas ke dalam worksheet Excel
3. Di Menu Bar, Klik [Data]
4. Klik [Data Analysis] pada Menu Bar Data, maka akan muncul
Window “Data Analysis” seperti dibawah.
11
membuat Worksheet baru dengan nama yang diberikan
tersebut.
11. Klik [OK]
12. Akan muncul Worksheet baru yang berisikan hasil Analisis
Korelasi dengan nama “Korelasi Output dan Listrik” seperti
gambar dibawah ini :
2. SPSS
Berikut disajikan tahapan dalam melakukan uji korelasi dengan SPSS :
a. Siapkan data yang akan dilakukan analisis korelasi.
12
c. Kemudian setting Nama, Type, Width, Decimal dan seterusnya
13
e. Lalu input data. Setelahnya masukan data kedalam software SPSS
melalui jendela Data View. Dalam tampilan SPSS akan terlihat
seperti gambar berikut :
f. Pilih menu Analyze lalu klik Correlate lalu pilih Bivariate lalu klik,
maka akan muncul jendela SPSS seperti gambar di bawah ini, yang
berisikan menu-menu kelengkapan analisis korelasi.
14
g. Masukan variabel-variabel pada sisi sebelah kanan ke dalam kolom
pendefinisian variabel yaitu Variables.
h. Untuk menentukan uji korelasi pada variabel, pilih jenis dari uji
korelasi pada menu Correlation Coefficients. Ada 3 (tiga) pilihan
jenis pengujian yaitu Pearson (skala interval-rasio), Kendal’s Tau
dan Spearman (skala ordinal). Setelah pasti dengan pilihan jenis uji
korelasi pada pasangan variabel lalu klik OK.
i. Maka SPSS akan memproses perhitungan koefisien korelasi (hasil
lihat pada output)
j. Ada 2 (dua) bagian penting pada output SPSS di atas, yaitu besaran
koefisien korelasi yang mengukur tingkat/derajat hubungan antar
variabel yang diujikan dan Sig. yang berfungsi dalam menentukan
berarti atau tidaknya nilai koefisien korelasi yang dihasilkan secara
statistik.
15
Contoh :
Tabel. Tabulasi Data (Data Fiktif)
Subjek Kecerdasan Prestasi Belajar
1 33 58
2 32 52
3 21 48
4 34 49
5 34 52
6 35 57
7 32 55
8 21 50
9 21 48
10 35 54
11 36 56
12 21 47
16
Dari hasil analisis korelasi sederhana (r) didapat korelasi antara
kecerdasan dengan prestasi belajar (r) adalah 0,766. Hal ini menunjukkan
bahwa terjadi hubungan yang kuat antara kecerdasan dengan prestasi
belajar. Sedangkan arah hubungan adalah positif karena nilai r positif,
berarti semakin tinggi kecerdasan maka semakin meningkatkan prestasi
belajar.
D. STUDI KASUS
1. Microsoft Excel
NI CO FE SIO2 MGO CR AL MN CA
NI 1
CO 0,858522 1
FE 0,10932 0,252782 1
SIO2 0,06551 -0,10754 -0,98145 1
MGO -0,31553 -0,42569 -0,97213 0,91329 1
CR 0,036861 0,181559 0,988469 -0,98196 -0,94648 1
AL -0,05527 0,109584 0,912599 -0,93094 -0,87479 0,895198 1
-
MN 0,699163 0,743328 -0,35108 0,490611 0,151859 -0,39386 0,42162 1
-
CA 0,259778 0,128992 -0,84538 0,914105 0,728514 -0,86535 0,81855 0,669577 1
17
2. SPSS
Correlations
NI CO FE SIO MGO CR
**
NI Pearson Correlation 1 ,859 ,109 ,066 -,316 ,037
N 18 18 18 18 18 18
**
CO Pearson Correlation ,859 1 ,253 -,108 -,426 ,182
N 18 18 18 18 18 18
** ** **
FE Pearson Correlation ,109 ,253 1 -,981 -,972 ,988
N 18 18 18 18 18 18
** ** **
SIO Pearson Correlation ,066 -,108 -,981 1 ,913 -,982
N 18 18 18 18 18 18
** ** **
MGO Pearson Correlation -,316 -,426 -,972 ,913 1 -,946
N 18 18 18 18 18 18
** ** **
CR Pearson Correlation ,037 ,182 ,988 -,982 -,946 1
N 18 18 18 18 18 18
** ** ** **
AL Pearson Correlation -,055 ,110 ,913 -,931 -,875 ,895
N 18 18 18 18 18 18
18
** ** *
MN Pearson Correlation ,699 ,743 -,351 ,491 ,152 -,394
N 18 18 18 18 18 18
** ** ** **
CA Pearson Correlation ,260 ,129 -,845 ,914 ,729 -,865
N 18 18 18 18 18 18
Correlations
AL MN CA
**
NI Pearson Correlation -,055 ,699 ,260
N 18 18 18
**
CO Pearson Correlation ,110 ,743 ,129
N 18 18 18
** **
FE Pearson Correlation ,913 -,351 -,845
N 18 18 18
** * **
SIO Pearson Correlation -,931 ,491 ,914
N 18 18 18
** **
MGO Pearson Correlation -,875 ,152 ,729
19
N 18 18 18
** **
CR Pearson Correlation ,895 -,394 -,865
N 18 18 18
**
AL Pearson Correlation 1 -,422 -,819
N 18 18 18
**
MN Pearson Correlation -,422 1 ,670
N 18 18 18
** **
CA Pearson Correlation -,819 ,670 1
N 18 18 18
Correlations
NI CO FE SIO MGO CR AL MN CA
**
Kendall's NI Correlation 1,000 ,589 ,197 ,026 -,159 ,224 ,112 ,148 ,035
tau_b Coefficient
Sig. (2-tailed) . ,001 ,255 ,879 ,361 ,197 ,519 ,401 ,847
N 18 18 18 18 18 18 18 18 18
** * * * *
CO Correlation ,589 1,000 ,436 -,211 -,415 ,412 ,351 ,095 -,181
Coefficient
Sig. (2-tailed) ,001 . ,012 ,224 ,018 ,018 ,044 ,593 ,314
N 18 18 18 18 18 18 18 18 18
20
* ** ** ** ** **
FE Correlation ,197 ,436 1,000 -,556 -,907 ,849 ,643 -,329 -,482
Coefficient
Sig. (2-tailed) ,255 ,012 . ,001 ,000 ,000 ,000 ,062 ,007
N 18 18 18 18 18 18 18 18 18
** ** ** ** * **
SIO Correlation ,026 -,211 -,556 1,000 ,656 -,638 -,643 ,557 ,757
*
Coefficient
Sig. (2-tailed) ,879 ,224 ,001 . ,000 ,000 ,000 ,002 ,000
N 18 18 18 18 18 18 18 18 18
* ** ** ** ** * **
MGO Correlation -,159 -,415 -,907 ,656 1,000 -,833 -,718 ,388 ,516
Coefficient
Sig. (2-tailed) ,361 ,018 ,000 ,000 . ,000 ,000 ,029 ,004
N 18 18 18 18 18 18 18 18 18
* ** ** ** ** **
CR Correlation ,224 ,412 ,849 -,638 -,833 1,000 ,700 - -,603
*
Coefficient ,358
Sig. (2-tailed) ,197 ,018 ,000 ,000 ,000 . ,000 ,043 ,001
N 18 18 18 18 18 18 18 18 18
* ** ** ** ** **
AL Correlation ,112 ,351 ,643 -,643 -,718 ,700 1,000 - -,490
*
Coefficient ,404
Sig. (2-tailed) ,519 ,044 ,000 ,000 ,000 ,000 . ,022 ,006
N 18 18 18 18 18 18 18 18 18
** * * * **
MN Correlation ,148 ,095 -,329 ,557 ,388 -,358 -,404 1,00 ,650
Coefficient 0
Sig. (2-tailed) ,401 ,593 ,062 ,002 ,029 ,043 ,022 . ,000
N 18 18 18 18 18 18 18 18 18
** ** ** ** ** *
CA Correlation ,035 -,181 -,482 ,757 ,516 -,603 -,490 ,650 1,000
*
Coefficient
Sig. (2-tailed) ,847 ,314 ,007 ,000 ,004 ,001 ,006 ,000 .
21
N 18 18 18 18 18 18 18 18 18
**
Spearman NI Correlation 1,000 ,732 ,318 ,006 -,289 ,335 ,242 ,246 ,120
's rho Coefficient
Sig. (2-tailed) . ,001 ,198 ,981 ,245 ,174 ,334 ,325 ,634
N 18 18 18 18 18 18 18 18 18
** ** * ** *
CO Correlation ,732 1,000 ,591 -,460 -,579 ,604 ,563 ,038 -,292
Coefficient
Sig. (2-tailed) ,001 . ,010 ,055 ,012 ,008 ,015 ,881 ,239
N 18 18 18 18 18 18 18 18 18
** ** ** ** ** **
FE Correlation ,318 ,591 1,000 -,800 -,976 ,942 ,828 - -,727
*
Coefficient ,590
*
Sig. (2-tailed) ,198 ,010 . ,000 ,000 ,000 ,000 ,010 ,001
N 18 18 18 18 18 18 18 18 18
** ** ** ** * **
SIO Correlation ,006 -,460 -,800 1,000 ,846 -,840 -,838 ,732 ,892
*
Coefficient
Sig. (2-tailed) ,981 ,055 ,000 . ,000 ,000 ,000 ,001 ,000
N 18 18 18 18 18 18 18 18 18
* ** ** ** ** * **
MGO Correlation -,289 -,579 -,976 ,846 1,000 -,920 -,863 ,613 ,743
*
Coefficient
Sig. (2-tailed) ,245 ,012 ,000 ,000 . ,000 ,000 ,007 ,000
N 18 18 18 18 18 18 18 18 18
** ** ** ** ** **
CR Correlation ,335 ,604 ,942 -,840 -,920 1,000 ,851 - -,807
*
Coefficient ,564
Sig. (2-tailed) ,174 ,008 ,000 ,000 ,000 . ,000 ,015 ,000
N 18 18 18 18 18 18 18 18 18
22
* ** ** ** ** **
AL Correlation ,242 ,563 ,828 -,838 -,863 ,851 1,000 - -,732
*
Coefficient ,598
*
Sig. (2-tailed) ,334 ,015 ,000 ,000 ,000 ,000 . ,009 ,001
N 18 18 18 18 18 18 18 18 18
** ** ** * ** **
MN Correlation ,246 ,038 -,590 ,732 ,613 -,564 -,598 1,00 ,785
Coefficient 0
Sig. (2-tailed) ,325 ,881 ,010 ,001 ,007 ,015 ,009 . ,000
N 18 18 18 18 18 18 18 18 18
** ** ** ** ** *
CA Correlation ,120 -,292 -,727 ,892 ,743 -,807 -,732 ,785 1,000
*
Coefficient
Sig. (2-tailed) ,634 ,239 ,001 ,000 ,000 ,000 ,001 ,000 .
N 18 18 18 18 18 18 18 18 18
3. Penjelasan
Untuk menentukan keeratan hubungan/korelasi antarvariabel
tersebut, berikut ini diberikan nilai-nilai dari KK sebagai patokan.
a. KK = 0, tidak ada korelasi.
b. 0 < KK 0,20, korelasi sangat rendah/lemah sekali.
c. 0,20 < KK 0,40, korelasi rendah/lemah tapi pasti.
d. 0,40 < KK 0,70, korelasi yang cukup berarti/sedang.
e. 0,70 < KK 0,90, korelasi yang tinggi/kuat.
f. 0,90 < KK < 1,00, korelasi sangat tinggi; kuat sekali, dapat
diandalkan.
g. KK = 1, korelasi sempurna
Pada analisis korelasi pada software microsoft excel dan SPSS
yang telah dilakukan, tidak ada perbedaan hasil koefisien korelasi dari
kedua software tersebut. Namun dari kedua software ini, SPSS
mampu melakukan analisis secara lengkap dan jelas dibandingkan
23
dengan microsoft excel. Pada analisis korelasi di excel dengan
menggonakan toolbar data analysis, maka akan diperoleh koefisien
korelasi dengan satu jenis korelasi. Sementara untuk analisis korelasi
pada SPSS, dapat dilakukan dalam bentuk Pearson, Spearman-rho,
dan Kendall-tau. Dari hasil korelasi pada studi kasus, diperoleh
koefisien korelasi dari parameter-parameter data bor berupa korelasi
positif, korelasi negatif, dan terdapat juga tidak ada korelasi antara dua
variabel yang ada pada data bor tersebut. Sehingga dapat kita ketahui
bahwa hubungan antara variabel-variabel tersebut ada yang tidak
memiliki korelasi sampai memiliki korelasi kuat.
24
BAB III
KESIMPULAN
25
DAFTAR PUSTAKA
Astuti, T.D., Budiantara, m., Nuryadi, Utami, E.S.. (2017). Dasar-Dasar Statistik
penellitian. Yogyakarta. Gramasurya.
Badrudin, R., Kastutiatuanto, B. (1994). Statistik 1 (Deskripsi). Penerbit
Gunadarma
Ardianto, Rizal., Priyanto, Slamet. (2017). Korelasi Informasi Jenis Pekerjaan,
Status Sosial Ekonomi Orang Tua Dan Sarana Praktekdenganminat
Kerja Siswa Kelas Xii Program Keahlian Teknikotomotif Smk Negeri 2
Bimatahun Ajaran 2015/2016. Jurnal Taman Vokasi. Vol 5(1)
fdokumen.com (2017). Makalah Korelasi. Diakses pada 19 Oktober 2020, dari
https://fdokumen.com/document/makalah-korelasi.html
Yuvalianda.com (2019, 9 April). Korelasi. Diakses pada 19 Oktober 2020, dari
https://yuvalianda.com/korelasi/
duwiconsultant.blogspot.com.(2017).Analisis Korelasi Sederhana.
Diakses pada 19 Oktober 2020, dari
http://duwiconsultant.blogspot.com/2011/11/analisis-korelasi-
sederhana.html
teknikelektronika.com.(2020).Menghitung Koefisien Korelasi
Menggunakan Microsoft Excel. Diakses pada 19 Oktober 2020, dari
https://teknikelektronika.com/menghitung-koefisien-korelasi-
dengan-menggunakan-microsoft-excel/
26