Korelasi
Korelasi
Terdapat tiga macam bentuk hubungan antar variabel, yaitu hubungan simetris,
Untuk mencari hubungan antara dua variabel atau lebih dilakukan dengan
merupakan angka yang menunjukkan arah dan kuatnya hubungan antar variabel atau
lebih. Artinya dinyatakan dalam bentuk hubungan positif atau negatif, sedangkan
Hubungan dua variabel atau lebih dinyatakan positif, bila nilai satu variabel
ditingkatkan, maka akan meningkatkan variabel yang lain, dan sebaliknya bila nilai
satu variabel diturunkan maka akan menurunkan variabel yang lain. Sebagai contoh,
ada hubungan positif antara tinggi badan dengan kecepatan lari, hal ini berarti
semakin tinggi badan orang maka akan semakin cepat larinya, dan semakin pendek
Hubungan dua variabel atau lebih dinyatakan negatif, bila nilai satu variabel
dinaikkan maka akan menurunkan nilai variabel yang lain, dan juga sebaliknya bila
nilai satu variabel diturunkan, maka akan menaikkan nilai variabel yang lain. Contoh,
misalnya ada hubungan negatif antara curah hujan engan es yang terjual. Hal ini
berarti semakin tinggi curah hujan, maka akan semakin sedikit es yang terjual, dan
semakin sedikit curah hujan, maka akan semakin banyak es yang terjual. Korelasi
positif dan negatif ditunjukkan pada gambar 7.2a dan 7.2b berikut :
14
10 10
8 8
6 6
4 4
2 4 6 8 2 4 6 8
Koefisien korelasi positif terbesar = 1 dan koefisien korelasi negatif terbesar adalah -
1, sedangkan yang terkecil adalah 0. Bila besarnya antara dua variabel atau lebih itu
mempunyai koefisien korelasi = 1 atau -1, maka hubungan tersebut sempurna. Dalam
arti kejadian-kejadian pada variabel yang satu akan dapat dijelaskan atau
diprediksikan oleh variabel yang lain tanpa terjadi kesalahan (error). Makin kecil
koefisien korelasi, maka akan semakin besar error untuk membuat prediksi. Sebagai
sebesar 1, maka dapat diramalkan setiap ada bunyi burung Prenjak maka dipastikan
akan ada tamu. Tetapi kalau koefisien korelasinya kurang dari satu, setiap ada bunyi
burung Prenjak belum tentu ada tamu, apa lagi koefisien korelasinya mendekati 0.
pertemuan antara dua variabel misalnya X dan Y. Bila titik-titik itu terdapat dalam
satu garis, maka koefisien korelasinya =1 atau -1. Bila titik-titik itu membentuk
Variabel Y
Variabel Y
Variabel X Variabel X Variabel X
untuk menguji hipotesis asosiatif. Teknik korelasi mana yang akan dipakai
tergantung pada jenis daa yang akan dianalisis. Berikut ini dikemukakan berbagai
teknik statistik korelasi yang digunakan untuk menguji hipotesis asosiatif. Untuk data
nominal dan ordinal digunakan statistik Non-parametris dan untuk data interval dan
Tabel 1
hipotesis hubungan dua variabel bila data kedua variabel berbentuk interval atau
ratio, dan sumber data dari dua variabel atau lebih adalah sama.
digunakan untuk menghitung koefisien korelasi, yaitu rumus 7.1 dan 7.2. Rumus 7.2
untuk populasi diberi simbol rho () dan untuk sampel diberi simbol r dan untuk
xy
rXY Rumus 7.1
x 2
y2
Dimana :
rxy = korelasi antara variabel x dan y
x = (Xi - X )
y = (Yi - Y )
n x i y i x i y i
rxy
Rumus 7.2
n x i2 x i n y i2 y i
2 2
Contoh :
17
Berdasarkan 10 responden tersebut diperoleh data tentang pendapatan (X) dan
X = 800 900 700 600 700 800 900 600 500 500 / bulan
Y = 300 300 200 200 200 200 300 100 100 100 / bulan
Ho : = 0
Ha : 0
pengeluaran perlu dimasukkan ke dalam tabel 7.2 berikut. Dari tabel tersebut telah
ditemukan :
Rata-rata X = 70 : 10 = 7
Rata-rata Y = 20 : 10 = 2
x2 = 20
y2 = 60
xy = 10
18
TABEL 2
xy
rxy = rXY
x 2
y2
10
= = 0,9129
206
Jadi ada korelasi positif sebesar 0,9129 antara pendapatan dan pengeluaran
tiap bulan. Hal ini berarti semakin besar pendapatan, maka akan semakin besar pula
digeneralisasi) atau tidak, maka perlu dibandingkan dengan r tabel, dengan taraf
19
kesalahan tertentu (lihat tabel III, r Produck Moment). Bila taraf kesalahan ditetapkan
5%, (taraf kepercayaan 95%) dan N = 10, maka harga r tabel = 0,632. Ternyata harga
r hitung lebih besar dari harga r tabel, sehingga Ho ditolak dan Ha diterima. Jadi
pengeluaran sebesar 0,9129. Data dan koefisien yang diperoleh dalam sampel
tersebut dapat digeneralisasikan pada populasi dimana sampel diambil atau data
juga dapat dihitung dengan uji t yang rumusnya ditunjukkan pada rumus 7.3. berikut :
r n2
t Rumus 7.3
1 r 2
0,9129 10 2
t =
1 0,9129 2
t = 6,33
Untuk kesalahan 5% uji dua fihak, dan dengan dk 9, maka diperoleh t tabel = 2,306.
Ternyata harga t hitung lebih besar dari t tabel, sehingga Ho ditolak. Hal ini berarti
terdapat hubungan yang positif dan signifikan antara pendapatan dan pengeluaran
sebesar 0,9129.
ditemukan tersebut besar atau kecil, maka dapat berpedoman pada ketentuan yang
20
TABEL 7.3
Dalam analisis korelasi terdapat suatu angka yang disebut dengan Koefisien
Determinasi, yang besarnya adalah kuadrat dari koefisien korelasi (r2). Koefisien ini
disebut koefisien penentu, karena varians yang terjadi pada variabel dependen dapat
dijelaskan melalui varians yang terjadi pada variabel independen. Untuk contoh
berarti varians yang terjadi pada variabel pendapatan, atau pengeluaran 83%
ditentukan oleh besarnya pendapatan, dan 17% oleh faktor lain, misalnya terjadi
2. Korelasi Ganda
arah dan kuatnya hubungan antara dua variabel secara bersama-sama atau lebih
21
dengan variabel yang lain. Pemahaman tentang korelasi ganda dapat dilihat melalui
r1
X1
R
Y
X2
r2
Gambar 7.4a. Korelasi Ganda Dua Variabel Independen dan Satu Dependen
X1 = Kepemimpinan
X2 = Tata Ruang Kantor
Y = Kepuasan Kerja
R = Korelasi Ganda
X1 r1
r5
R
r3 X2 Y
r4
r6
X3
r2
X1 = Kesejahteraan pegawai
X2 = Hubungan dengan pimpinan
X3 = Pengawasan
Y = Efektivitas kerja
Dari contoh di atas, terlihat bahwa korelasi ganda R, bukan merupakan
penjumlahan dari korelasi sederhana yang ada pada setiap variabel (r1 - r2 - r3). Jadi R
dengan X2 dan Xn dengan Y. Pada gambar 7.2a. korelasi ganda merupakan hubungan
secara bersama-sama antara variabel kepemimpinan , dan tata ruang kantor dengan
independen dan satu dependen. Untuk variabel independen lebih dari dua, dapat
dilihat pada Bab analisis Regresi Ganda. Pada bagian itu persamaan-persamaan yang
ada pada regresi ganda dapat dimanfaatkan untuk menghitung korelasi ganda lebih
dari dua variabel secara bersama-sama. Rumus korelasi ganda dua variabel
Dimana :
Jadi untuk dapat menghitung korelasi ganda, maka harus dihitung terlebih
dahulu korelasi sederhananya dulu melalui korelasi Product Moment dari Pearson.
Misalnya pada suatu penelitian yang berjudul “Kepemimpinan dan Tata Ruang
Berdasarkan data yang terkumpul untuk setiap variabel, dan setelah dihitung korelasi
2. Korelasi antara Tata Ruang Kantor dengan Kepuasan Kerja Pegawai, r2 = 0,48;
23
Dengan menggunakan rumus 7.4 korelasi ganda antara Kepemimpinan dan
Tata Ruang Kantor secara bersama-sama dengan Kepuasan Kerja Pegawai dapat
dihitung.
Ry.x1x2 =
0,452 0,482 2 0,450,480,22
1 0,22
2
= 0,5959
berikut :
r1 = 0,45
X1
R = 0,5959
r3 = 0,22 Y
X2
r2 = 0,48
R2
Fh k
1 R
2 Rumus 7.5
n k 1
Dimana :
24
Berdasarkan angka yang telah ditemukan, dan bila n = 30, maka harga Fh,
0,5959 2
2
1 0,5959
Fh = 2
30 2 1
= 7,43
= 10-2-1 = 7. Dengan taraf kesalahan 5%, harga F tabel ditemukan = 4,74. Ternyata
harga F hitung lebih besar dari F tabel (7,43 > 4,74). Karena Fh > dari F tabel maka
koefisien korelasi ganda yang ditemukan adalah signifikan (dapat diberlakukan untuk
3. Korelasi Parsial
korelasi parsial merupakan angka yang menunjukkan arah dan kuatnya hubungan
antara dua variabel setelah satu variabel yang diduga dapat mempengaruhi hubungan
Contoh 1 :
1. Korelasi antara ukuran telapak tangan dengan kemampuan bicara r12 = 0,50.
Makin besar telapak tangan makin mampu bicara (bayi telapak tangannya kecil
25
sehingga belum mampu bicara). Padahal ukuran telapak tangan akan semakin
r1.3 = 0,7
X1
r12 = 0,5 Y
X2
r2.3 = 0,7
orang yang umurnya sama, maka korelasi antara besar telapak tangan dengan
rubah, maka dapat dipandu dengan gambar 7.5 dan 7.6 berikut.
26
X1 Y
X2
X2 Y
X1
rp n 3
t Rumus 7.8
1 r2p
Contoh 2 :
27
ryx1 ryx2 rx1x 2
Ryx1.x2 =
1 r 2 x1x 2 . 1 r 2 yx2
= 0,68
IQ dengan nilai Kuliah = 0,58. Setelah waktu belajarnya dibuat sama (dikontrol)
untuk seluruh sampel, maka korelasinya = 0,68. Jadi setiap subyek dalam sampel bila
waktu belajarnya sama, maka hubungan antara IQ dengan nilai kuliah menjadi lebih
kuat. Hal ini berarti bila orang yang IQ-nya tinggi dan waktu belajarnya sama dengan
yang IQ-nya rendah maka nilai kuliahnya akan jauh lebih tinggi.
Apakah koefisien korelasi parsial yang ditemukan itu signifikan atau tidak,
maka perlu diuji dengan rumus 7.8. Bila jumlah sampel 25.
28