MAKALAH STATISTIKA PENDIDIKAN

ANALISIS KORELASI

DISUSUN OLEH:

NI KETUT DEVI PUSPASARI

1813031016

VI A PENDIDIKAN KIMIA

PROGRAM STUDI PENDIDIKAN KIMIA

JURUSAN KIMIA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PENDIDIKAN GANESHA
2021
 KATA PENGANTAR

Puji syukur panjatkan kehadapan Tuhan Yang Maha Esa karena atas berkat, rahmat,
dan karunia-Nya penulis dapat menyelesaikan makalah yang berjudul "Analisis Korelasi".
Penulis mengucapkan terima kasih atas bantuan pihak-pihak yang telah memberikan
saran, ide, dan masukan dari sebelum hingga berakhirnya penyusunan makalah ini,
khususnya kepada Bapak Dr. Drs. I Ketut Sudiana, M.Kes selaku dosen mata kuliah
Statistika Pendidikan, yang telah membimbing penulis dalam menyelesaikan makalah
“Analisis Korelasi”.
Penulis menyadari bahwa makalah ini belum sempurna dan masih terdapat banyak
kekurangan serta kesalahan di dalamnya. Oleh karena itu, penulis memerlukan saran dan
kritik yang bersifat membangun untuk penyempurnaan makalah ini.

Singaraja, 23 Maret 2021

Penulis

ii
 DAFTAR ISI

COVER ..............................................................................................................................i
KATA PENGANTAR ......................................................................................................ii
DAFTAR ISI .....................................................................................................................iii

BAB I PENDAHULUAN
1.1. Latar Belakang .............................................................................................................1
1.2. Rumusan Masalah ........................................................................................................2
1.3. Tujuan ..........................................................................................................................2
1.4. Manfaat ........................................................................................................................2

BAB II PEMBAHASAN
2.1. Pengertian dan Asumsi Dasar Korelasi .......................................................................3
2.2. Arah dan Peta Korelasi ................................................................................................5
2.3. Angka Korelasi ............................................................................................................9
2.4. Teknik Analisis Korelasional ......................................................................................11
2.4.1 Statistik Parametris ...............................................................................................12
2.4.2 Statistik Nonparametris .........................................................................................39
2.5. Kelebihan dan Kelemahan Teknik Analisis Korelasional ...........................................48

BAB III PENUTUP

3.1. Simpulan ......................................................................................................................50
3.2. Saran ............................................................................................................................50
DAFTAR PUSTAKA

iii
 BAB I

PENDAHULUAN

1.1. Latar Belakang

Statistik merupakan istilah yang digunakan untuk menyatakan kumpulan data,
bilangan, maupun nonbilangan yang disusun dalam tabel atau diagram, yang
melukiskan atau menggambarkan suatu persoalan. Statistik juga bisa dipakai untuk
menyatakan ukuran sebagai wakil dari kumpulan data mengenai sesuatu hal. Langkah-
langkah atau prosedur pengumpulan data-data statistik hingga penarikan kesimpulan
disebut dengan statistika. Jadi dapat dikatakan bahwa statistika adalah pengetahuan
yang berhubungan dengan cara-cara pengumpulan data, pengolahan atau
penganalisisannya, dan penarikan kesimpulan berdasarkan kumpulan data dan
penganalisisan yang dilakukan. Secara umum, jenis-jenis statistik ada dua yaitu statistik
deskriptif dan statistik inferensial. Statistik deskriptif digunakan untuk menganalisis
statistik penelitian yang digunakan untuk membuat kesimpulan yang lebih luas
(generalisasi). Sementara statistik inferensial bertujuan untuk menganalisis data sampel
dan hasilnya digeneralisasikan untuk populasi dimana sampel tersebut diambil. Statistik
inferensial dibagi menjadi dua yaitu statistik parametrik dan statistik nonparametrik.
Statistik parametrik menganalisis data interval dan rasio dari populasi yang berdistribusi
normal, sementara statistik nonparametrik menganalisis data nominal dan ordinal dari
populasi yang bebas dan tidal harus berdistribusi normal.
Dalam statistik inferensial, terdapat tiga bentuk rumusan hipotesis. Hipotesis yang
dirumuskan dapat berupa hipotesis deskriprif, hipotesis komparatif, atau hipotesis
asosiatif. Salah satu uji hipotesis asosiatif yaitu uji korelasi. Korelasi menyatakan
hubungan, sebab dalam kehidupan tidak ada manusia yang bisa hidup sendiri, pasti
tergantung atau berhubungan dengan yang lain, baik itu berhubungan dengan sesama
manusia, maupun dengan alam sekitar. Konsep pemikiran tentang hubungan adalah
untuk menjawab pertanyaan tentang apakah kemunculan suatu gejala akan diikuti oleh
gejala-gejala lain, atau lebih spesifik apakah perubahan suatu variabel akan diikuti oleh
perubahan variabel lain. Perubahan suatu variabel diikuti oleh perubahan variabel lain
menandakan adanya hubungan (korelasi) antar variabel. Pada makalah ini, dibahas
mengenai pengujian hipotesis asosiatif menggunakan teknik analisis korelasi, baik
secara teoritisnya maupun perhitungannya secara manual atau menggunakan SPSS,

1
 sebuah perangkat lunak yang dapat membantu percepatan dan akurasi data dalam
pengolahan data.

1.2. Rumusan Masalah

Adapun rumusan masalah yang dapat ditarik dari latar belakang antara lain sebagai
berikut.
1. Apa yang dimaksud dengan analisis korelasi?
2. Apa saja asumsi yang berlaku pada analisis korelasi?
3. Apa yang dimaksud dengan arah korelasi dan peta korelasi?
4. Apa yang dimaksud dengan koefisien korelasi?
5. Apa yang dimaksud dengan teknik analisis korelasi?
6. Apa saja kelebihan dan kelemahan teknik analisis korelasi?

1.3. Tujuan Penulisan

Dari rumusan masalah yang sudah ditarik, maka dapat dilihat bahwa tujuan penulisan
makalah ini adalah sebagai berikut.
1. Mengidentifikasi dan menjelaskan pengertian dari korelasi.
2. Mengidentifikasi dan menjelaskan asumsi yang berlaku pada analisis korelasi
3. Mengidentifikasi dan menjelaskan arah korelasi dan peta korelasi
4. Mengidentifikasi dan menjelaskan koefisien korelasi
5. Mengidentifikasi dan menjelaskan teknik analisis korelasi
6. Mengidentifikasi dan menjelaskan kelebihan dan kelemahan teknik analisis
korelasi?

1.4. Manfaat Penulisan

Manfaat penulisan makalah ini bagi pembaca adalah untuk memberikan pengetahuan
tentang analisis korelasi, serta terpenuhinya tugas mandiri penulis dalam mata kuliah
Statistika Pendidikan.

2
 BAB II

PEMBAHASAN

2.1 Pengertian dan Asumsi Dasar Korelasi

Hubungan antara satu variabel dengan variabel lain disebut korelasi. Dengan kata
lain korelasi merupakan istilah yang digunakan untuk mengukur kekuatan hubungan antar
variabel. Jika penelitian bertujuan untuk mengetahui hubungan antara satu atau lebih
variabel dengan variabel lain, teknik analisa yang digunakan adalah analisa korelasi.
Analisis korelasi adalah suatu analisis statistik yang mengukur tingkat asosiasi atau
hubungan antara dua variabel yaitu variabel bebas (independent variable) dengan variabel
terikat (dependent variable).
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.
Korelasi merupakan teknik analisis, yang termasuk dalam salah satu teknik
pengukuran asosiasi / hubungan (measures of association). Pengukuran asosiasi berguna
untuk mengukur kekuatan (strength) hubungan antar dua variabel atau lebih. Selain
korelasi, teknik pengukuran asosiasi juga terdapat teknik analisis regresi. Perbedaan
antara korelasi dan regresi dapat dibandingkan dengan menggunakan tabel berikut.
(Gujarati, 2004)
Tabel 1. Perbedaan antara Analisis Korelasi dan Analisis Regresi
No. Analisis Korelasi Analisis Regresi
Bertujuan untuk mencoba
mengestimasi atau
Bertujuan untuk mengukur suatu memprediksikan nilai rata-rata
1. tingkat atau kekuatan hubungan suatu variabel yang sudah
linear antara dua variabel diketahui nilainya, berdasarkan
suatu variabel lain yang juga
sudah diketahui nilainya
2. Kedua variabel yang dianalisis Kedua variabel yang dianalisis
bersifat simetris, tidak ada bersifat asimetris, terdapat

3
 perbedaan antara kedua variabel, variabel bebas (independent) dan
tidak ada variabel bebas dan variabel terikat (dependent) pada
variabel terikat pada kedua dua variabel yang akan dianalisis.
variabel.
Mempelajari bentuk hubungan Mempelajari bentuk hubungan
3. antar variabel melalui angka antar variabel melalui persamaan
(koefisien) korelasi. regresi.
Hubungan antar variabelnya Hubungan antar variabelnya
4. bukan menyatakan hubungan menyatakan hubungan kausalitas
kausalitas (sebab – akibat). atau hubungan fungsional.

Contoh analisis korelasi dapat digunakan untuk beberapa kasus sebagai berikut.
1. Mengukur hubungan antara kegiatan merokok dengan tingkat penyakit kanker
2. Mengukur hubungan antara nilai matematika dengan nilai statistik seorang mahasiswa
jurusan kimia
3. Mengukur hubungan antara tingkat inflasi dengan indeks harga saham global (IHSG)
Pengukuran hubungan antara dua variabel untuk masing-masing kasus ini akan
menghasilkan keputusan bahwa:
a. Hubungan kedua variabel tidak ada
b. Hubungan kedua variabel lemah
c. Hubungan kedua variabel cukup kuat
d. Hubungan kedua variabel kuat
e. Hubungan kedua variabel sangat kuat

Analisis korelasi secara umum memiliki asumsi dasar sebagai berikut.

1. Kedua variabel bersifat independen satu dengan lainnya, artinya masing-masing

variabel berdiri sendiri dan tidak tergantung satu dengan lainnya. Tidak ada istilah
variabel bebas dan variabel tergantung.
2. Data untuk kedua variabel berasal dari populasi yang berdistribusi normal. Data yang
berasal dari populasi yang berdistribusi normal artinya data yang
distribusinya simetris sempurna. Menurut Johnston (2004) ciri-ciri data yang
mempunyai distribusi normal ialah sebagai berikut.

4
 - Kurva frekuensi normal menunjukkan frekuensi tertinggi berada di tengah-tengah,
yaitu berada pada rata-rata (mean) nilai distribusi dengan kurva sejajar dan tepat
sama pada bagian sisi kiri dan kanannya. Nilai yang paling sering muncul (modus)
dalam distribusi normal ialah rata-rata (average), dengan setengahnya berada
dibawah rata-rata dan setengahnya yang lain berada di atas rata-rata.
- Kurva frekuensi normalnya berbentuk simetris sempurna.
- Frekuensi nilai-nilai diatas rata-rata (mean) akan sama dengan frekuensi nilai-nilai
di bawah rata-rata.

2.2. Arah dan Peta Korelasi

Hubungan antar variabel pada analisis korelasi jika ditilik dari segi arahnya, dapat
dibedakan menjadi 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, jika
ingin menganalisis hubungan antara kemampuan finansial siswa dengan prestasi
belajar siswa. Apabila hasil analisisnya menyatakan bahwa semakin baik
kemampuan finansial siswa, semakin baik pula prestasi belajar siswa, maka
hubungan antara kemampuan finansial siswa dan prestasi belajar siswa
merupakan korelasi positif.
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 jika ingin menganalisis
hubungan antara kesadaran hukum di kalangan masyarakat dan tingkat kejahatan
dan pelanggaran hukum yang dilakukan masyarakat. Apabila hasil analisisnya
menyatakan bahwa meningkatnya kesadaran hukum di kalangan masyarakat
diikuti dengan menurunnya angka kejahatan atau angka pelanggaran yang
dilakukan masyarakat, maka hubungan antara kesadaran hukum dan tingkat
kejahatan di kalangan masyarakat merupakan korelasi negatif. Penurunan hasil

5
 belajar siswa dalam bidang studi seni suara disertai dengan peningkatan hasil
belajar bidang studi matematika, kimia, biologi, dan sebagainya.

Korelasi Positif Korelasi Negatif

Var X Var Y Var X Var Y

Arah hubungan variabel yang kita cari korelasinya, dapat kita amati melalui sebuah
peta atau diagram yang dikenal dengan nama peta korelasi. Menurut Sudijono (1987),
terdapat tujuh jenis peta korelasi, yaitu sebagai berikut.

 Jika korelasi antara variabel X dan variabel Y merupakan korelasi positif maksimal,
atau korelasi positif tertinggi, atau korelasi positif sempurna, maka pencarian titik
yang terdapat pada peta korelasi apabila dihubungkan antara satu dengan yang lain,
akan membentuk satu buah garis lurus yang condong ke arah kanan.

Gambar 1. Diagram Korelasi Positif Maksimal

 Jika korelasi antara variabel X dan variabel Y merupakan korelasi negatif maksimal
atau korelasi negatif tertinggi atau korelasi negatif sempurna maka pencaran titik yang
terdapat pada peta korelasi akan membentuk satu garis lurus dengan yang condong ke
arah kiri.

6
 Gambar 2. Diagram Korelasi Negatif Maksimal

 Jika korelasi antara variabel X dan variabel Y termasuk korelasi positif yang tinggi
atau kuat, maka pencaran titik yang terdapat pada peta korelasi sedikit atau beberapa
mulai menjauhi garis lurus, yaitu titik-titik tersebut terpencar atau berada di sekitar
garis lurus tersebut dengan kecondongan ke arah kanan.

Gambar 3. Diagram Korelasi Positif Tinggi

 Jika korelasi antara variabel X dan variabel Y termasuk korelasi negatif yang tinggi
atau kuat, maka pencaran titik yang terdapat pada peta korelasi itu sedikit menjauhi
garis lurus dengan kecondongan ke arah kiri.

7
 Gambar 4. Diagram Korelasi Negatif Tinggi

 Korelasi positif atau korelasi negatif yang menunjukkan korelasi yang rendah atau
kecil, maka pencaran titik yang terdapat pada peta korelasi akan semakin jauh tersebar
atau menjauhi dari garis lurus.

Gambar 5. Diagram Korelasi Positif Lemah

8
 Gambar 6. Diagram Korelasi Negatif Lemah
 Apabila kedua variabel yang dianalisis tidak berkorelasi, maka pencaran titik yang
terdapat pada peta korelasi akan acak dan tidak membentuk garis lurus.

Gambar 7. Diagram Korelasi Tidak Berkorelasi

2.3. Angka Korelasi

Angka korelasi atau coeffcient of correlation adalah angka (koefisien) yang dapat
dijadikan sebagai petunjuk untuk mengetahui tinggi rendahnya, kuat lemahnya atau
besar kecilnya korelasi antara variabel yang sedang diselidiki. Angka indeks korelasi
merupakan suatu angka yang dapat dijadikan petunjuk untuk mengetahui seberapa besar
kekuatan korelasi di antara variabel yang sedang dikorelasikan. Pada umumnya, angka
indeks korelasi disimbolkan dengan r xy yang berarti angka indeks korelasi antara

9
variabel X dan variabel Y. Angka indeks korelasi atau koefisien korelasi besarnya
berkisar antara -1,00 sampai 1,00. Koefisien korelasi terkecil ditunjukkan dengan angka
0, apabila kedua variabel yang dianalisis memiliki koefisien korelasi sebesar nol, maka
kedua variabel tersebut dapat disimpulkan tidak berkorelasi.

Koefisien korelasi terbesar ditunjukkan dengan angka -1,00 dan angka 1,00. Apabila
kedua variabel yang dianalisis korelasinya memiliki koefisien korelasi 1,00; maka kedua
variabel tersebut berkorelasi positif maksimal, begitu sebaliknya apabila kedua variabel
yang dianalisis korelasinya memiliki koefisien korelasi -1,00; maka kedua variabel
tersebut berkorelasi negatif maksimal. Koefisien korelasi bertanda minus (-)
menunjukkan bahwa korelasi tersebut mempunyai arah korelasi negatif. Koefisien
korelasi yang bertanda negatif bukan berarti merupakan koefisien korelasi yang lebih
kecil daripada nol, sebab koefisien korelasi terkecil adalah nol. Sementara apabila
koefisien korelasi bertanda positif (+) atau tidak diberi tanda apapun menunjukkan arah
korelasi tersebut adalah korelasi positif. Tanda pada koefisien korelasi seperti tanda
positif dan negatif di depan bukan merupakan tanda aritmatika, dan bukan menunjukkan
besar dari suatu angka. Kriteria koefisien korelasi dalam berbagai sumber berbeda-beda,
sehingga tidak ada kriteria yang tetap dan digunakan oleh semua orang. Salah satu
kriteria koefisien korelasi dikemukakan oleh Sarwono, dengan kriterianya sebagai
berikut.

Tabel 2. Kriteria Koefisien Korelasi menurut Sarwono, 2006

Rentang Koefisien Korelasi Katagori

0,00 Kedua variabel tidak berkorelasi
0,01 – 0,25 Kedua variabel berkorelasi sangat lemah
0,26 – 0,50 Kedua variabel cukup berkorelasi
0,51 – 0,75 Kedua variabel berkorelasi kuat
0,76 – 0,99 Kedua variabel berkorelasi sangat kuat
1,00 Kedua variabel berkorelasi sempurna

Angka indeks korelasi yang diperoleh dari proses perhitungan itu bersifat relatif, yaitu
angka yang fungsinya melambangkan indeks hubungan antar variabel yang dicari
korelasinya. Jadi, angka indeks korelasi itu bukanlah angka yang bersifat eksak atau angka
yang merupakan ukuran pada skala linier yang memiliki unit-unit yang sama besar.
Misalkan angka indeks korelasi antara variabel X dan variabel Y sebesar 0,80 ( r xy =0,80 ),

10
 dan angka indeks korelasi antara variabel Y dan variabel Z sebesar 0,20 ( r yz =0,20 ). Hal ini
tidak dapat dikatakan bahwa r xy sebesar 4 kali r yz .
2.4. Teknik Analisis Korelasi
Teknik analisis korelasi ialah teknik analisis statistik mengenai hubungan antardua
variabel atau lebih. Teknik analisis korelasi memiliki tiga macam tujuan, yaitu sebagai
berikut.
 Ingin mencari bukti berdasarkan data yang sudah ada bahwa apakah memang benar
antara variabel yang satu dan variabel yang lain terdapat hubungan atau korelasi.
 Ingin menjawab pertanyaan apakah hubungan antar variabel itu, jika memang ada
hubungannya, termasuk hubungan yang kuat, cukup, atau lemah.
 Ingin memperoleh kejelasan dan kepastian secara matematis apakah hubungan
antar variabel itu merupakan hubungan yang berarti atau hubungan yang tidak
berarti. Tujuan ini sangat berhubungan erat dengan tujuan pada poin kedua, apabila
kedua variabel tersebut berkorelasi kuat atau bahkan berkorelasi sempurna, maka
hubungan antar variabel itu merupakan hubungan yang berarti. Begitu sebaliknya,
apabila kedua variabel tersebut berkorelasi lemah, maka hubungan antar variabel
itu merupakan hubungan yang tidak berarti.
Berdasarkan jumlah variabel yang dianalisis hubungannya, teknik analisis korelasi
dapat dibedakan menjadi dua jenis yaitu sebagai berikut.
1. Teknik analisis korelasi bivariat ialah teknik analisis korelasi yang menganalisis
hubungan antara dua variabel. Contohnya yaitu hubungan antara nilai mata kuliah
Pengantar Kewirausahaan mahasiswa (Variabel X) dengan minat mahasiswa dalam
berwirausaha (Variabel Y).
2. Teknik analisis korelasi multivariat ialah teknik analisis korelasi yang menganalisis
hubungan pada lebih dari dua variabel. Contohnya yaitu hubungan antara tinggi
badan anak (Variabel X1) dan massa otot anak (Variabel X2) terhadap berat badan
anak (Variabel Y).

Terdapat bermacam-macam teknik statistic korelasi yang dapat digunakan untuk

menguji hipotesis asosiatif. Koefisien mana yang akan dipakai tergantung pada jenis data
yang akan dianalisis, Berikut ini dikemukakan berbagai teknik statistic korelasi yang
digunakan untuk menguji hipotesis asosiatif. Untuk data nominal dan ordinal digunakan
statistic nonparametris dan untik data interval dan ratio digunakan statistic parametris.

11
 Tabel 3. Pedoman Untuk Memilih Teknik Korelasi Dalam Pengujian Hipotesis

Macam/Tingkatan Data Teknik Kore;asi yang Digunakan

Nominal 1. Koefisien Kontigency (Contingency
Coefficient)
Ordinal 1. Spearman Rank (Contingency
Coefficient)
2. Kendall Tau
Interval dan Ratio 1. Pearson Product Moment
2. Korelasi Ganda (Multiple Correlation)
3. Korelasi Parsial (Partial Correlation)
Dari kedelapan teknik analisis ini, pada statistik parametrik teknik yang sering
digunakan yaitu teknik analisis korelasi produk momen pearson Pada statistik
nonparametrik, teknik yang paling sering digunakan yaitu teknik analisis korelasi
ranking Spearman. Penggunaan teknik korelasi tersebut akan sangat tergantung
kepada jenis data statistik yang akan dicari korelasinya, selain itu data yang akan
dianalisis harus memenuhi seluruh asumsi yang ada baik di statistik parametrik
maupun statistik nonparametrik. Makalah ini akan membahas tentang statistik
parametrik saja yaitu teknik analisis korelasi produk momen pearson, korelasi ganda,
dan korelasi parsial. Makalah ini tidak akan membahas secara lengkap tentang
statistik nonparametrik.

2.4.1 Statistik Parametris

Seperti telah ditunjukkan dalam table 3 bahwa statistic parametris yang digunakan
untuk menguji hipotesis asosiatif (hubungan antar variable) meliputi korelasi product
moment, korelasi ganda, dan korelasi parsial.
1) Korelasi Produk Momen (Pearson Product Moment Correlation)
Teknik analisis korelasi produk momen Pearson, biasa disebut Pearson
product moment correlation atau Pearson product of the moment correlation atau
lebih singkatnya korelasi produk momen adalah teknik analisis korelasi yang
paling banyak digunakan. Teknik korelasi ini dikembangkan oleh Karl Pearson.
Disebut Product Moment Correlation, karena angka korelasinya merupakan hasil
perkalian atau product dari moment-moment variabel yang dikorelasikan (Product
of the Moment).
Teknik korelasi ini digunakan untuk mencari hubungan dan membuktikan
hipotesis hubungan dua variabel bila data kedua variabel berbentuk interval atau

12
 rasio dan sumber data dari dua variable atau lebih tersebut adalah sama. Karena
product moment termasuk parametrik, maka harus memenuhi uji asumsi yaitu
kedua variabel itu berdistribusi normal. Teknik korelasi produk momen selain data
memenuhi asumsi dasar analisis korelasi, dapat digunakan apabila berhadapan
dengan kenyataan seperti berikut.

1. Variabel yang kita korelasikan berbentuk gejala atau data yang bersifat kontinu.
Data yang bersifat kontinu adalah data yang berasal dari data perhitungan atau
data pengukuran. Data kontinu adalah data kuantitatif yang nilainya menempati
semua interval pengukuran dan merupakan hasil pengukuran serta bisa berupa
bilangan pecahan dan bilangan bulat.

2. Sampel yang diteliti mempunyai sifat homogen, atau setidak – tidaknya

mendekati homogenya.

3. Regresinya merupakan regresi linear.

Perhitungan angka indeks korelasi menurut teknik produk momen dapat digunakan
secara manual dan dapat digunakan dengan bantuan SPSS.

 Perhitungan Angka Indeks Korelasi Produk Momen secara Manual

Untuk menghitung angka indeks korelasi produk momen secara manual,
terdapat beberapa macam cara yang dapat digunakan. Perhitungan angka indeks
korelasi produk momen secara manual hanya digunakan apabila jumlah data yang
dianalisis lebih sedikit dari 30 data, sehingga perhitungan ini hanya digunakan
untuk sampel berukuran kecil. Sampel dikatagorikan berukuran kecil apabila
jumlah sampel kurang dari 30 sampel, sehingga nilai standar deviasinya
berfluktuasi relatif besar. Nilai standar deviasi yang besar menyebabkan nilai uji Z
tidak bersifat normal, sehingga untuk sebaran distribusi sampel kecil
dikembangkan suatu distribusi khusus (Rahayu, 2017). Berikut ini beberapa cara
yang dapat digunakan untuk menghitung angka indeks korelasi produk momen
secara manual.
a) Cara mencari (menghitung) dengan terlebih dahulu memperhitungkan
Deviasi Standar.
∑ xy
r xy =
NS D x S D y

13
 Dimana : r xy = angka indeks korelasi antara variabel X dan variabel Y

∑ xy = jumlah dari hasil perkalian antara deviasi skor – skor variabel x dari skor–
skor variabel

S Dx = deviasi standar dari variabel x

S D y = deviasi standar dari variabel y

N = number of cases

b. Cara mencari (menghitung dan memberikan interpretasi terhadap angka indeks

korelasi “r” product moment untuk data tunggal dimana N < 30, dengan tidak
mencari deviasi standarnya
Rumus:

∑ xy
r xy =
√(¿ ∑ x 2)(∑ y 2 )¿
Dimana : r xy = angka indeks korelasi antara variabel X dan variabel Y

∑ x 2 = jumlah deviasi skor x setelah terlebih dahulu dikuadratkan

∑ y 2=¿ jumlah deviasi skor y setelah terlebih dahulu dikuadratkan

c. Cara mencari (menghitung) angka indeks korelasi “r” product moment di mana
N < 30, dengan mendasarkan diri pada skor aslinya atau angka kasarnya
Rumus:
N ∑ XY −( ∑ X )( ∑Y )
r xy =
√ N ∑ X 2−(∑ X 2) ¿ ¿
Dimana : : r xy = angka indeks korelasi antara variabel X dan variabel Y

N = number of cases

∑ XY =¿jumlah hasil perkalian antara skor x dan skor y

∑ X = jumlah seluruh skor x

∑ Y = jumlah seluruh skor y

d.Cara mencari (menghitung) Angka Indeks Korelasi “r” Product Moment di mana
N < 30, dengan memperhitungkan Meannya

14
 Rumus
∑ XY −N . Mx . My
r xy =
√ ∑ X 2−N . Mx ¿ 2 ¿ ¿
Dimana : r xy = angka indeks korelasi antara variabel X dan variabel Y

N = number of cases

∑ x 2 = jumlah deviasi skor x setelah terlebih dahulu dikuadratkan

∑ y 2=¿ jumlah deviasi skor y setelah terlebih dahulu dikuadratkan

Mx = mean dari skor variabel x

My = mean dari variabel y

Mx 2=kuadrat dari mean skor variabel x

My 2=kuadrat dari mean skor variabel y

e. Cara mencari (menghitung) angka indeks korelasi “r” Product Moment, dimana
N < 30, dengan didasarkan pada selisih deviasinya.
Rumus
∑ x 2+∑ y2 −∑d 2
r xy =
2 √( ∑ X 2 ) (∑ Y 2 )

Dimana: r xy = angka indeks korelasi antara variabel X dan variabel Y

∑ x 2 = jumlah deviasi skor x setelah terlebih dahulu dikuadratkan

∑ y 2=¿ jumlah deviasi skor y setelah terlebih dahulu dikuadratkan

d = selisih antara deviasi skor variabel x dan deviasi variabel y,

atau d=x–y

2 = bilangan konstan ( tidak dapat diubah – ubah)

∑ d 2 = jumlah selisih antara deviasi skor variabel x dan deviasi variabel y

setelah dikuadratkan terlebih dahulu ∑ d 2=∑ ¿ ¿

f. Cara mencari (menghitung) angka indeks korelasi “r” Product Moment di mana N
< 30 dengan menadasarkan pada selisih skornya (selisih skor kasarnya)
Rumus

15
 N ( ∑ x 2+∑ y2 −∑ ( X−Y )2) −2(∑ X)(∑ Y )
r xy =
2 √ ¿ ¿¿

Dimana :r xy = angka indeks korelasi antara variabel X dan variabel Y

N = number of cases

∑ x 2 = jumlah deviasi skor x setelah terlebih dahulu dikuadratkan

∑ y 2=¿ jumlah deviasi skor y setelah terlebih dahulu dikuadratkan

(X – Y) = selisih antara skor variabel X dan skor variabel Y

2 = bilangan konstan ( tidak dapat diubah – ubah)

( X −Y )2=k uadrat dari selisih antara skor variabel x dan skor variabel y

(∑ x 2 ¿ = jumlah dari seluruh skor variabel X, setelah itu lalu dikuadratkan

(∑ y 2 ¿ = jumlah dari seluruh skor variabel Y, setelah itu lalu dikuadratkan

g. Cara mencari (menghitung) angka indeks korelasi “r” Product Moment untuk
data tunggal, di mana N = 30 atau N > 30
Rumus

∑ x ' y'
−( C x ' ) (C y ' )
N
r xy =
( SD x ' ) (SD y ' )

Dimana: r xy = angka indeks korelasi antara variabel X dan variabel Y

N = number of cases

∑ x ' y ' = jumlah hasil perkalian silang (product of the moment) antara frekuensi sel
(f) dengan x’ dan y’

Cx’ = nilai koreksi pada variabel X yang dapat diperoleh dengan rumus:

∑fx '
C x '=
N

Cy’ = nilai koreksi pada variabel Y yang dapat diperoleh dengan rumus:

∑ fy '
C y '=
N

16
 SDx’ = deviasi standar skor X dalam arti tiap skor sebagai 1 unit dimana i –
1

SDy’ = deviasi standar skor Y dalam arti tiap skor sebagai 1 unit dimana i –
1

h. Cara mencari (menghitung) angka indeks korelasi “r” Product Moment untuk
data kelompokkan
Rumus

∑ x ' y'
−( C x ' ) (X y ' )
N
r xy =
( SD x' ) ( SD y ' )

Dimana: r xy = angka indeks korelasi antara variabel X dan variabel Y

N = number of cases

∑ x ' y ' = jumlah hasil perkalian silang (product of the moment) antara frekuensi sel
(f) dengan x’ dan y’

Cx’ = nilai koreksi pada variabel X yang dapat diperoleh dengan rumus:

∑fx '
C x '=
N

Cy’ = nilai koreksi pada variabel Y yang dapat diperoleh dengan rumus:

∑ fy '
C y '=
N

SDx’ = deviasi standar skor X dalam arti tiap skor sebagai 1 unit dimana i
=1

SDy’ = deviasi standar skor Y dalam arti tiap skor sebagai 1 unit dimana i
=1

Contoh Kasus:
Berikut ini merupakan data perusahaan mengenai harga permintaan suatu
komoditi (X) dan harga rata-rata suatu komoditi (Y) disajikan dalam tabel berikut.
X 178 224 160 315 229 250 181 306 257 300

17
 Y 105 105 130 130 130 150 150 170 170 180

Hitunglah koefisien korelasi pada kasus tersebut dan bagaimana arti dari hasil
koefisien korelasi yang didapat?
Berikut ini hasil perhitungan tabel untuk mendapatkan nilai total untuk X, Y, X 2,
Y2, dan XY.

Dengan memasukan nilai total dari semua variabel pada tabel dan jumlah data ke
dalam salah satu rumus produk momen maka didapat hasil sebagai berikut.

Koefisien korelasi antara permintaan suatu komoditi dengan harga rata-rata

komoditi sebesar 0.5477 dengan hubungan antara permintaan suatu komoditi
dengan harga rata-rata komoditi memiliki tingkat hubungan yang kuat apabila

18
 ditambahkan permintaan suatu komoditi maka akan mempengaruhi
peningkatan harga rata-rata suatu komoditi. Apabila diturunkan permintaan
suatu komoditi maka akan mempengaruhi penurunan harga rata-rata suatu
komoditi. Dapat juga dibalik intepretasinya, apabila ditambahkan harga rata-
rata suatu komoditi maka akan mempengaruhi peningkatan permintaan suatu
komoditi. Apabila diturunkan harga rata-rata suatu komoditi maka akan
mempengaruhi permintaan suatu komoditi. Jika dibandingkan dengan nilai rtabel

dengan taraf signifikansinya 5%, maka , karena nilai rtabel dengan

taraf signifikansinya 5% dan number of cases-nya 10 data, nilainya 0,632

(tabel r terlampir). Karena , maka dapat disimpulkan bahwa tidak

ada hubungan antara permintaan suatu komoditi dengan harga rata-rata
komoditi.

 Perhitungan Angka Indeks Korelasi Produk Momen dengan SPSS

Untuk mencari nilai r dengan menggunakan SPSS, maka data harus dilakukan
uji asumsi terlebih dahulu. Seperti asumsi dasar pada analisis korelasi, yaitu data
diambil dari sampel yang berasal dari populasi yang berdistribusi normal dan
sampel yang diteliti mempunyai sifat homogen, maka data harus dilakukan uji
normalitas dan uji homogenitas terlebih dahulu sebelum diuji dengan analisis
korelasi. Pada contoh dengan menggunakan SPSS, contoh yang digunakan sama
dengan perhitungan manual, yaitu sebagai berikut.
Berikut ini merupakan data perusahaan mengenai harga permintaan suatu
komoditi (X) dan harga rata-rata suatu komoditi (Y) disajikan dalam tabel berikut.

X 178 224 160 315 229 250 181 306 257 300

Y 105 105 130 130 130 150 150 170 170 180

Hitunglah koefisien korelasi pada kasus tersebut dan bagaimana arti dari hasil
koefisien korelasi yang didapat?
a) Uji Normalitas
Pada umumnya uji normalitas dilakukan dengan menggunakan teknik
Kolmogorov-Smirnov untuk number of cases lebih dari 50 (sampel besar)
atau dengan menggunakan teknik Shapiro Wilk untuk number of cases
kurang dari 50 (number of cases-nya 31 – 50 disebut sampel besar, dan

19
apabila kurang dari sama dengan 30 disebut sampel kecil). Karena contoh
ini memiliki number of cases sebesar 10, maka uji normalitas yang
digunakan yaitu teknik Shapiro Wilk.
Tahap 1: Buka lembar kerja SPSS, klik pada Variable View, lalu isi tabel ini.

Tahap 2: Klik Data View, dan masukkan data yang digunakan pada
contoh, dimana pada kolom X diisi data harga permintaan suatu komoditi
dan pada kolom Y diisi data harga rata-rata suatu komoditi.

Tahap 3: Dari menu statistik, klik Analyze  Descriptive Statistics 

Explore

20
Tahap 4: Saat klik Explore… , maka akan muncul kotak dialog Explore.

Tahap 5: Masukkan “Permintaan [X]” ke dalam Dependent List dengan cara

klik tanda panah di sebelah kotak Dependent List, dan masukkan “Harga Rata-
rata [Y]” ke dalam Factor List dengan cara klik tanda panah di sebelah kotak
Factor.

Tahap 6: Klik Both pada menu Display, lalu klik Plots

Plots….

Tahap 7: Setelah klik Plots…, maka akan muncul kotak dialog Explore:

Plots. Beri tanda centang pada Normality plots with tests, lalu klik Continue.
Selanjutnya klik Ok pada kotak dialog Explore. Hasilnya dilihat pada bagian
Output.

21
Hasil Output:

Cara menjelaskan output pada uji normalitas Shapiro-Wilk:

Pada bagian output, scroll layar ke bawah sampai mendapatkan tabel yang
berjudul Tests of Normalityb.

22
 b. Permintaan is constant when Harga Rata-rata = 180. It has been omitted.

Sebelum tabel ini dijelaskan, perlu diketahui teori tentang dasar

pengambilan keputusan dalam uji normalitas Shapiro-Wilk. Menurut
Santoso (2014), data dikatakan berdistribusi normal dalam uji Shapiro-
Wilk jika nilai Sig. lebih besar dari 0,05. Jika dilihat dari tabel di atas, dari
output tersebut diketahui nilai Sig.-nya sebesar 0,879. Karena nilai Sig. ini
lebih besar dari 0,05; maka sebagaimana dasar pengambilan keputusan
dalam uji Shapiro-Wilk, dapat disimpulkan bahwa data harga permintaan
suatu komoditi dan harga rata-rata suatu komoditi adalah berasal dari
populasi yang berdistribusi normal.

b) Uji Homogenitas
Seperti pada uji statistik lainnya, uji homogenitas digunakan sebagai
bahan acuan untuk menentukan keputusan uji statistik berikutnya.
Pedoman pengambilan keputusan dalam uji homogenitas adalah sebagai
berikut (Widiyanto, 2010).
- Jika nilai signifikansi atau Sig. < 0,05; maka dikatakan bahwa varians dari
dua atau lebih kelompok populasi data adalah tidak homogen

- Jika nilai signifikansi atau Sig. > 0,05; maka dikatakan bahwa varians dari
dua atau lebih kelompok populasi adalah homogen.

Berikut ini tahapan untuk uji homogenitas.

23
 Tahap 1: Buka lembar kerja SPSS, klik pada Variable View, lalu isi tabel ini

Tahap 2: Klik Data View, dan masukkan data yang digunakan pada
contoh, dimana pada kolom X diisi data harga permintaan suatu komoditi,
dan pada kolom Y diisi data harga rata-rata suatu komoditi.

Tahap 3: Dari menu statistik, klik Analyze  Compare Means  One-Way

ANOVA….

24
Tahap 4: Saat klik One-Way ANOVA…, maka akan muncul kotak dialog
One-Way ANOVA. Pada kotak dialog tersebut, masukkan “Permintaan
[X]” ke kotak Dependent List dan masukkan “Harga Rata-rata [Y]” ke
kotak Factor.

25
Tahap 5: Klik Options…, maka muncul kotak dialog One-Way ANOVA:
Options. Pada kotak dialog tersebut, klik Homogeinity of varience test, lalu
Klik Continue, selanjutnya klik Ok. Hasilnya dapat dilihat pada bagian
Output.

26
Hasil Output:

Cara menjelaskan output pada uji homogenitas:

Perhatikan tabel yang berjudul ANOVA.

27
 ANOVA
Permintaan
Sig.
Sum of Squares df Mean Square F
Between Groups 11372.333 4 2843.083 .851 .549
Within Groups 16699.667 5 3339.933
Total 28072.000 9

Perhatikan nilai Sig. pada tabel di atas. Sesuai dengan pedoman

pengambilan keputusan dalam uji homogenitas yang sudah dijelaskan di
atas menurut Widiyanto (2010), maka dapat disimpulkan bahwa data harga
permintaan suatu komoditi dan harga rata-rata suatu komoditi adalah data
yang homogen. Hal ini dapat dilihat dari nilai Sig.-nya yaitu 0,549 yang
lebih besar dari 0,05.

c) Uji Korelasi
Setelah kedua asumsi sudah dipenuhi oleh data ini, maka selanjutnya
data ini dapat dianalisis apakah harga permintaan suatu komoditi dan harga
rata-rata suatu komoditi adalah kedua variabel yang saling berkorelasi atau
saling tidak berkorelasi. Untuk menguji apakah korelasi antara kedua
variabel, maka dapat ditempuh tahapan-tahapan sebagai berikut.

Tahap 1: Buka lembar kerja SPSS, klik pada Variable View, lalu isi tabel.

Tahap 2: Klik Data View, dan masukkan data yang digunakan pada
contoh, dimana pada kolom X diisi data harga permintaan suatu komoditi,
dan pada kolom Y diisi data harga rata-rata suatu komoditi.

28
 Tahap 3: Dari menu statistik, klik Analyze  Correlate  Bivariate…

Tahap 4: Setelah klik Bivariate…, maka akan muncul kotak dialog Bivariate

Correlations. Pada kotak dialog tersebut, masukkan semua variabel yang ada
yaitu “Permintaan [X]” dan “Harga Rata-rata [Y]” ke dalam kotak Variables.

29
30
Tahap 5: Pastikan pilihan Pearson pada kolom Correlation Coefficients
tercentang, dan pada kolom Test of Significance pastikan pilihan Two-
tailed tercentang, dan pastikan Flag significant correlations tercentang.
Setelah ketiga hal ini tercentang, klik Ok. Selanjutnya lihat hasilnya pada
Output.

Hasil Output:

31
 Cara menjelaskan output pada uji korelasi:

Perhatikan tabel yang berjudul Correlations.

Perhatikan tabel di atas. Dari tabel ini, dapat dilakukan penarikan

kesimpulan dengan merujuk pada dua dasar pengambilan keputusan dalam
analisis produk momen.
a. Berdasarkan nilai Sig. (2 – tailed). Dari tabel di atas diketahui nilai Sig. (2
– tailed) antara permintaan (X) dan harga rata-rata (Y) adalah sebesar
0,101; dimana 0,101 > 0,05. Apabila 0,101 > 0,05; maka dapat
disimpulkan bahwa tidak terdapat korelasi yang signifikan antara
permintaan (X) dan harga rata-rata (Y).
b. Berdasarkan nilai Pearson Correlation. Dari tabel di atas diketahui nilai
Pearson Correlation untuk hubungan permintaan (X) dan harga rata-rata
(Y) adalah sebesar 0,548; dimana 0,548 lebih kecil daripada rtabel yaitu

0,632. Karena , maka dapat disimpulkan bahwa tidak ada

32
 hubungan antara permintaan suatu komoditi dengan harga rata-rata
komoditi.
2) Korelasi Ganda (Multiple Correlation)
Korelasi ganda (multiple correlation) merupakan angka yang menunjukkan arah
dan kuatnya hubungan antara dua variabel independen secara bersama-sama atau
lebih dengan satu variabel dependen. Pemahaman tentang korelasi ganda dapat
dilihat melalui gambar berikut, dimana simbol korelasi ganda adalah R.

X
1

R
r3 Y

X
2
r2

Gambar a. Korelasi Ganda Dua Variabel Independen dan satu Dependen.

X1 = Kepemimpinan

X2 = Tata ruang kantor

Y = Kepuasan kerja

R = Korelasi ganda

Gambar b. Korelasi Ganda tiga variabel independen dengan satu variabel dependen.

X1 = Kesejahteraan pegawai

X2 = Hubungan dengan pimpinan

33
 X3 = Pengawasan

Y = Efektivitas kerja

Dari contoh diatas terlihat bahwa korelasi ganda R, bukan merupakan

penjumlahan dari korelasi sederhana yang ada pada setiap variabel (r 1 + r2 + r3),
jadi R ≠ (r1 + r2 + r3). Korelasi ganda merupakan hubungan secara bersama-sama
antara X1, X2 dan X3 dengan Y. Pada Gambar a korelasi ganda merupakan
hubungan secara bersama-sama antara variabel kepemimpinan dan tata ruang
kantor dengan kepuasan kerja pegawai.

Pada bagian ini dikemukakan korelasi ganda R untuk dua variabel independen
dan satu variabel dependen. Untuk variabel lebih dari dua dapat dilihat pada
analisis regresi ganda. Pada bagian itu persamaan-persamaan yang ada pada regresi
ganda dapat dimanfaatkan untuk menghitung korelasi ganda dari dua buah variabel
secara bersama-sama. Rumus korelasi ganda dua variabel ditunjukkan pada rumus
berikut :

r yx 2 +r yx 2 −2r yx r yx r x
R yx x =
1 2
√ 1 2

1−r x 1 x2
2
1 2 1 x2

Dimana :

Ry . x 1 x2 = Korelasi antara variabel X 1 dengan X2 secara bersama-sama dengan

variabel Y

r yx 1
= Korelasi Product Moment antara X1 dengan Y

r yx 2
= Korelasi Product Moment antara X2 dengan Y

rx 1 x2 = Korelasi Product Moment antara X1 dan X2

Dimana rumusnya:

ry1 =

34
 ry2 =

r1.2 =

Ry1.2 =

Jadi untuk dapat menghitung korelasi ganda, maka harus dihitung terlebih dahulu
korelasi sederhananya dulu melalui Product Moment dari pearson.

Contoh Perhitungan :

Dari suatu penelitian yang berjudul “gaya kepemimpinan kepala sekolah dan
sistuasi kepemimpinan dalam kaitannya dengan iklim organisasi SMA 3
makassar”. Berdasarkan data yang terkumpul untuk setiap variabel, dan setelah
dihitung korelasi sederhananya ditemukan sebagai berikut :

1. Korelasi antara Gaya kepemimpinan dengan iklim organisasi, r1 = 0,39

2. Korelasi antara Situasi kepemimpinan dengan iklim organisasi, r2 = 0,38
3. Korelasi antara gaya kepemimpinan dengan situasi kepemimpinan, r3 = 0,30

Ho = Tidak terdapat hubungan yang positif dan signifaikan antara gaya

kepemimpinan kepala sekolah dan situasi kepemimpinan secara bersama-sama
dengan iklim organisasi SMA 3 makassar.

Ha = Terdapat hubungan yang positif dan signifikan antara gaya kepemimpinan

kepala sekolah dan situasi kepemimpinan secara bersama-sama dengan iklim
organisasi SMA 3 makassar.

Untuk menguji hipotesis tersebut digunakan rumus korelasi ganda R y . x x sebagai

1 2

berikut :

35
 r yx 2 +r yx 2 −2r yx r yx r x
R yx x =
1 2
√ 1 2

1−r x 1 x2
2
1 2 1 x2

( 0,39 )2+ ( 0,38 )2−2 ( 0,39 )( 0,38 )( 0,30 )

Ry . x x = 1 2
√ 1−( 0,30 )
2
=0,566

Jadi, terdapat korelasi positif antara gaya kepemimpinan dan situasi

kepemimpinan secara bersama-sama dengan iklim kerja sebesar 0,566. Hubungan
ini secara kualitatif dapat dinyatakan sedang dan besarnya lebih dari korelasi
individual antara X1 dengan Y maupun X2 dengan Y. Korelasi sebesar 0,566 itu
baru berlaku untuk sampel yang diteliti. Apakah koefisisen korelasi itu dapat
digeneralisasikan atau tidak maka harus di uji signifikansinya dengan rumus :

R2 /k
F h=
( 1−R2 ) / ( n−k −1 )

Dimana :

R = koefisien korelasi ganda

k = jumlah variabel independen

n = jumlah anggota sampel

0,566 2 /2
F h= =9,61
( 1−0,566 2) / ( 44−2−1 )

Jadi, Fh = 9,61 harga ini selanjutnya dikonsultasikan dengan F tabel (F t) dengan

dk pembilang = k dan dk penyebut = (n-1-k) dan taraf signifikansi 5% maka Ft =
3,225. Dalam hal ini berlaku ketentuan bila Fh lebih besar dari Ft, maka koefisien
korelasi ganda yang diuji adalah signifikan yaitu dapat diberlakukan untuk
seluruh populasi. Dari perhitungan diatas ternyata Fh > Ft (9,61 > 3,225) maka
dapat dinyatakan bahwa korelasi ganda tersebut signifikan dan dapat
diberlakukan dimana sampel diambil.

3) Korelasi Parsial (Partial Correlation)

36
 Korelasi parsial digunakan untuk menganalisis hubungan atau pengaruh
variabel independen terhadap variabel dependen, di mana salah satu variabel
independennya dibuat tetap atau dikendalikan. Jadi korelasi parsial merupakan
angka yang menunjukkan arah dan kuatnya hubungan antara dua variable atau
lebih, setelah satu variable yang diduga dapat mempengaruhi hubungan variable
tersebut tetap/dikendalikan.

Rumus untuk korelasi parsial ditunjukkan pada rumus berikut :

r yx −r yx . r x x2
Ry . x x = 1

2
2 1

√1−r − √1−r 2 yx
1 2

x1 x2 2

Dapat dibaca : korelasi antara X1 dengan Y, bila variabel X2 dikendalikan atau

korelasi antara X1 dan Y bila X2 tetap. Untuk memudahkan membuat rumus baru,
bila variabel kontrolnya dirubah-ubah, maka dapat dipandu dengan gambar c dan d
berikut :

X1

X2

Gambar c. Korelasi antara X1 dengan Y bila X2 tetap

X2

X1

Gambar d. Korelasi antara X2 dengan Y bila X1 tetap.

37
 Bila X1 yang tetap, maka rumusnya adalah seperti rumus :

r yx −r yx . r x x2
Ry . x x = 2

2
1 1

√1−r − √1−r 2 yx
2 1

x1 x2 1

Untuk menguji signifikasi koefisien korelasi parsial dapat dihitung dengan

menggunakan rumus :

r p √n−3
t= 2
√1−r p

Nilai t tabel dicari dengan dk = n-1

Contoh Perhitungan :

1. Korelasi antara IQ dengan nilai kuliah = 0,58

2. Korelasi antara nilai kuliah dengan waktu belajar = 0,10
3. Korelasi antara IQ dengan waktu belajar = -0,40

Untuk orang yang waktu belajarnya sama (diparsialkan) berapa korelasi

antara IQ dengan nilai kuliah. Dengan rumus dapat dihitung :

r yx −r yx . r x x2
Ry . x x = 2

2
1 1

√1−r − √ 1−r 2 yx
2 1

x1 x2 1

0,58−(−0,40 )( 0,10 )
R yx x = = 0,68
1 2
2 2
√1−(−0,40 ) −√ 1−( 0,10 )
Sebelum waktu belajar digunakan sebagai variabel kontrol, korelasi antara 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 lebih kuat.
Hal ini berarti bila orang yang IQ-nya tinggi dan waktu belajarnya sama dengan
yang IQ nya rendah, maka nilai kuliah ya akan jauh lebih tinggi.

Apakah koefisisen korelasi parsial yang ditemukan signifikan atau tidak,

maka perlu diuji dengan rumus :

r p √n−3
t= 2
√1−r p

38
 0,68 √ 25−3
t= =4,35
√1−0,682
Nilai t hitung tersebut selanjutnya dibandingkan dengan t tabel dengan dk =
n-1 = 25 -1 = 24. Bila taraf kesalahan 5% untuk uji dua pihak, maka harga t tabel =
2,064. Ternyata t hitung lebih besar dari t tabel ( 4,53>2,064). Dengan demikian
koefisien korelasi yang ditemukan itu adalah signifikan yaitu dapat
digeneralisasikan ke seluruh populasi dimana sampel diambil.

2.4.2 Statistik Nonparametris

Seperti telah ditunjukkan dalam table 3 bahwa statistic parametris yang digunakan
untuk menguji hipotesis asosiatif (hubungan antar variable) meliputi koefisien
kontigency, korelasi spearman rank, dan korelasi kendall tau.
1) Koefisien Kontigency
Teknik ini digunakan untuk menghitung hubungan antarvariabel bila datanya
berbentuk nominal. Teknik ini mempunyai kaitan erat dengan Chi Kuadrat yang
digunakan untuk menguji komparatif k-sampel independent. Oleh karena itu rumus
yang digunakan mengandung nilai Chi Kuadrat.

Rumus untuk mencari Koefisien Korelasi Kontingensi adalah:

X2
C=
√ X 2+ N

X2 dapat diperoleh dengan menggunakan rumus:

2 (f o . f t )2
X =∑
ft

Pemberian interpretasi terhadap angka indeks korelasi kontingensi C atau KK

itu adalah dengan jalan terlebih dahulu mengubah harga C menjadi phi, dengan
mempergunakan rumus sebagai berikut:

C
∅=
√ 1−C 2

39
 Setelah harga ∅ diperoleh, selanjutnya dikonsultasikan dengan tabel nilai “r”
dengan df = N- nr. Jika angka indeks korelasi yang diperoleh dalam perhitungan ≥
rtabel, maka Ho ditolak dan apabila < rtabel maka Ho diterima.

Contoh perhitungan:

Diteliti, apakah terdapat korelasi positif yang signifikan antara semangat berolah
raga dan gairah belajar. Sejumlah 200 orang subjek ditetapkan sebagai sampel
penelitian. Hasil pengumpulan data menunjukkan angka sebagai berikut:

Tabel data mengenai semangat berolah raga dengan kegairahan belajar

dari sejumlah 200 orang subjek

Semangat
berolahraga Besar Sedang Kecil Jumlah

Kegairahan
belajar
Besar 18 12 10 40

Sedang 34 43 33 110

Kurang 10 10 30 50

Jumlah 62 65 73 N = 200

Karena angka indeks korelasi kontingensi C atau KK itu harus dihitung

dengan rumus kai kuadrat, maka langkah selanjutnya adalah menghitung besarnya
kai kuadrat:

Tabel kerja untuk menghitung Harga kai kuadrat, dalam rangka mencari
angka indeks korelasi kontingensi C

Sel fo ft (fo-ft) (fo-ft)2 (f o−f t )2

ft
1 18 62 x 40 +5,6 31,36 2,5290
=12,4
200

40
 2 12 65 x 40 -1,0 1,00 0,0770
=13,0
200
3 10 73 x 40 -4,6 21,16 1,4490
=14,6
200
4 34 62 x 110 -0,1 0,01 0,0003
=34,1
200
5 43 65 x 110 +7,25 52,5625 1,4703
=35,75
200
6 33 73 x 110 -7,15 51,1225 1,2733
=40,15
200
7 10 62 x 50 -5,5 30,25 1,9516
=15,5
200
8 10 65 x 50 -6,25 39,0625 2,4038
=16,25
200
9 30 73 x 50 +11,75 138,0625 7,5651
=18,25
200
Jumlah N = 200 N = 200 0 - 18,7194

Interpretasi:

Ha : Ada korelasi positif yang signifikan antara semangat berolah raga dan
kegairahan belajar.

Ho : Tidak Ada korelasi positif yang signifikan antara semangat berolah raga
dan kegairahan belajar.

Untuk memberikan interpretasi terhadap C atau KK itu, harga C terlebih dahulu

kita ubah menjadi phi (Ø), dengan rumus:

C
∅=
√ 1−C 2
0,293 0,293 0,293 0,293
∅= = = = =0,306
√ 1−(0,293) 2
√ 1−0,086 √ 0,914 0,956

Selanjutnya harga Ø yang telah kita peroleh itu kita konsultasikan dengan Tabel
nilai “r” product moment, dengan terlebih dahulu mencari df-nya: df = N-nr = 200-
2 = 198. Dengan df sebesar 200, diperoleh harga r tabel pada taraf signifikansi 5% =
0,138. Dengan demikian Ø (0,306) > rtabel (0,138). Dengan ini maka Ho ditolak;
berarti ada korelasi positif yang signifikan antara semangat berolah raga dan
kegairahan belajar: makin besar semangat beroleh raga tumbuh dalam diri anak,
diikuti dengan semakin besarnya kegairahan belajar mereka.

41
2) Korelasi Spearman Rank
Kalau pada korelasi product moment, sumber data untuk variable yang akan
dikorelasikan adalah sama, data yang dikorelasi adalah data interval atau rasio,
serta data dari kedua variable masing-masing membentuk distribusi normal, maka
dalam korelasi Spearman Rank, sumber data untuk variable yang akan
dikonversikan dapat berasal dari sumber yang tidak sama, jenis data yang
dikorelasikan adalah data ordinal, serta data dari kedua varuabel tidak harus
membentuk distribusi normal. Jadi korelasi Spearman Rank bekerja dengan data
ordinal atau berjenjang atau rangking dan bebas distribusi.

Rumus korelasi ini dikembangkan oleh Charles Spearman.

6 ∑ D2 6 ∑ D2
ρ ¿ 1− 2
N ( N −1)
atau ρ ¿ 1− 3
(N −N )

Keterangan: ρ= angka indeks korelasi tata jenjang

1dan 6 = bilangan konstan

D = perbedaan antara pasangan jenjang, D = R1 – R2
N = Jumlah individu dalam sampel
Contoh Kasus:
Seorang peneliti ingin mengetahui bagaimana hubungan motivasi belajar siswa
dengan prestasi nilai Matetamtika siswa di SMA PGRI 4 Denpasar. Berikut
merupakan tabel data siswa:

No Skor Motivasi Nilai

Responden matematika
1. 64 42
2. 56 46
3. 50 40
4. 68 55
5. 76 65
6. 84 88
7. 90 86
8. 66 56
9. 85 62

42
 10. 90 92
11. 75 55
12. 92 81

 Perhitungan dengan manual (memasukkan rumus)

Hipotesis:
Ho = Tidak ada hubungan antara motivasi belajar dengan nilai matematika
Ha = Ada hubungan antara motivasi belajar dengan nilai matematika.

No Skor Nilai Ranking Ranking di di2

Responden Motivasi matematika x y
1. 64 42 3,0 2,0 1 1
2. 56 46 2,0 3,0 -1 1
3. 50 40 1,0 1,0 0 0
4. 68 55 5,0 4,5 0,5 0,25
5. 76 65 7,0 8,0 -1 1
6. 84 88 8,0 11,0 -3 9
7. 90 86 10,5 10,0 0,5 0,25
8. 66 56 4,0 6,0 -2 4
9. 85 62 9,0 7,0 2 4
10. 90 92 10,5 12,0 -1,5 2,25
11. 75 55 6,0 4,5 1,5 2,25
12. 92 81 12,0 9,0 3 9
Total 34

Setelah didapatkan nilai total d maka bisa langsung dimasukkan ke dalam rumus
korelasi, sebagai berikut:
6 ∑ D2
rs ¿ 1− 2
N ( N −1)
6 x 34
¿ 1−
12(122−1)

43
 204
¿ 1−
12(1716)
= 1 – 0,199
rs = 0,881
Setelah didapatkan nilai rs maka selanjutnya nilai rs dibandingkan dengan rtabel.
Dimana nilai rtabel sebersar 0,506. Karena rs > rtabel maka Ho ditolak dan Ha
diterima.
Kesimpulan: ada hubungan yang positif antara motivasi belajar dengan prestasi
nilai matematika.
 Perhitungan dengan SPSS
Tahap 1. Buka program PSS, kemudian klik variable view. Pada kolom name
baris pertama tuliskan X dan baris kedua tuliskan Y. Pada label rank x tuliskan
score motivasi dan label pada rank y dituliskan nilai matematika.

Tahap 2. Klik Data View, pada tampilan data view terlihat ada 2 buah variable
yakni X dan Y, selanjutnya tuliskan atau masukkan data penelitian untuk
masing-masing variable.

Tahap 3. Jika data sudah di input dengan benar, selanjutnya klik menu Analyze
 Correlate  Bivariate…

44
 Tahap 4. Akan muncul kotak dialog “Bivariate Correlations”. Selanjutnya
pindahkan skor motivasi (rankx) dan nilai siswa (ranky) ke kolom variables.

Tahap 5. Beri centang pada pilihan Spearman, pada bagian Test of significance
pilih Two-tailed. Selanjutnya beri tanda centang pada Flag significant
correlations, kemudian klik Options.

Tahap 6. Setelah klik Options maka akan muncul kotak dialog “Bivariate
Correlations: Options, pada bagian Missing Values pilih Exclude cases pairwise,
lalu klik Continue.

45
 Hasil Output Korelasi Rank Spearman:

Interpretasi:
- Berdasarkan hasil output diatas didapatkan hasil korelasi sebesar 0,881**
artinya tingkat kekuatan hubungan antara variable sangat kuat. Tanda (**)
artinya korelasi bernilai signifikan pada angka signifikan sebesar 0,01.
- Angka koefisien korelasi pada hasil output diatas bernilai positif, yaitu 0,881,
sehingga hubungan kedua variable bersifat searah, dengan demikian dapat
diartikan bahwa semakin ditingkatkan motivasi belajar maka prestasi nilai
matematika juga akan meningkat.
- Berdasarkan nilai output diatas, diketahui nilai sig (2-tailed) sebesar 0,000,
karena nilai signifikasi < 0,005 artinya ada hubungan yang signifikan antara
variable skor motivasi dengan nilai matematika.
3) Korelasi Kendall Tau
Korelasi kendall’s tau digunakan untuk mencari hubungan dan menguji
hipotesis antara dua variable atau lebih, bila datanya berbentuk ordinal atau
rangking. Kelebihan teknik ini bila digunakan untuk menganalisis sampel yang
jumlah anggotanya lebih dari 10 dan dapat dikembangkan untuk mencari koefisien
korelasi parsial. Fungsi dari Kendall's tau semestinya sama dengan spearman,

46
bedanya hanyalah kalau spearman biasanya digunakan untuk sampel kecil, tetapi
kendall's tau dapat digunakan untuk sampel besar.
Kendall's tau juga sering digunakan untuk menganalisis data yang semula
direncanakan dianalisis dengan product moment. Setelah diuji distribusi datanya
ternyata tidak normal atau sampelnya kurang dari 30, maka akhirnya dianalisis
dengan Kendall's tau. Untuk kasus seperti itu, bila dianalisis dengan menggunakan
excel, maka data yang semula interval atau rasio harus dirangking.

Rumus:

Dimana:

S = Total skor seluruhnya (grand total), yang merupakan jumlah skor urutan
kewajaran pasangan data pada salah satu variabel. Jika urutan ranking wajar
diberi skor +1, jika urutan ranking tdk wajar diberi skor –1.

N = banyaknya pasangan ranking.

Contoh kasus:

Terdapat 2 orang juri dalam suatu kontes yang ditugaskan untuk menilai 6 buah
karya tulis. Dari hasil penilaian kedua juri tersebut diperoleh ranking penilaian
sebagai berikut:

Karya a b c d e f g h
Tulis
Juri X 5 2 8 1 4 6 3 7

Juri Y 4 5 7 3 2 8 1 6

Apakah terdapat korelasi penilaian yang diberikan oleh juri X dan juri Y?

Pembahasan:

Hipotesis:

Ho = Tidak terbentuk korelasi penilaian antara juri X dan juri Y

Ha = Terdapat korelasi penilaian antara juri X dan juri Y

47
 Tingkat signifikansi: α = 0,05

Statistik Uji:

Karya Tulis d b g e a f h c

Juri X 1 2 3 4 5 6 7 8

Juri Y 3 5 1 2 4 8 6 7

Kesimpulan: p-value (0,3751) > (0,138), maka Ho diterima.

2.5 Kelebihan Dan Kelemahan Teknik Analisis Kolerasi

Sebelum melihat kelebihan dan kelemahan dari teknik jenis korelasi, ada beberapa
hal yang kita perhatikan. Hal tersebut adalah kesalahan-kesalahan yang kadang-kadang
dilakukan oleh peneliti dalam penelitian menggunakan teknik korelasi, antara lain:

1. Peneliti berasumsi bahwa korelasi merupakan bukti sebab akibat

2. Peneliti bertumpu pada pendekatan sekali tembak (shotgun approach)
3. Peneliti memilih statistik yang salah
4. Peneliti menggunakan analisis bivariat ketika multivariat yang lebih tepat
5. Peneliti tidak melakukan studi vasilitas silang
6. Peneliti menggunakan analisis jalur tanpa peninjauan asumsi-asumsi (teori)
7. Peneliti gagal menentukan suatu variabel kausal penting dalam
8. Perencanaan suatu analisis jalur
9. Peneliti salah tafsir terhadap signifikansi praktis atau statistik dalam suatu studi.
Penelitian korelasional, mengandung kelemahan-kelemahan, antara lain:

1. Hasilnya cuma mengidentifikasi apa sejalan dengan apa, tidak mesti

2. menunjukkan saling hubungan yang bersifat kausal
3. Jika dibandingkan dengan penelitian eksperimental, penelitian korelasional itu
kurang tertib-ketat, karena kurang melakukan kontrol terhadap variabel-variabel
bebas.

48
 4. Pola saling hubungan itu sering tak menentu dan kabur
5. Sering merangsang penggunaannya sebagai semacam short-gun approach, yaitu
memasukkan berbagai data tanpa pilih-pilih dan menggunakan setiap interpretasi
yang berguna atau bermakna.

Penelitian korelasional juga mengandung kelebihan-kelebihan, antara lain:

1. Kemampuannya untuk menyelidiki hubungan antara beberapa variabel secara

bersama-sama (simultan)
2. Mampu memberikan informasi tentang derajat (kekuatan) hubungan antara
variabel-variabel yang diteliti.

49
 BAB III
PENUTUP

3.1 Kesimpulan
Korelasi merupakan hubungan antara dua kejadian dimana kejadian yang satu dapat
mempengaruhi eksistensi kejadian yang lain. Tujuannya yaitu mengolah data hasil dari
penelitian korelasional untuk menguji ada tidaknya hubungan itu dan mengungkapkan
seberapa besar kekuatan hubungan antarvariabel yang dimaksud. Terdapat dua asumsi
dasar uji korelasi, yaitu asumsi pertama: kedua variabel bersifat independen satu dengan
lainnya. Asumsi kedua: Data untuk kedua variabel berasal dari populasi yang
berdistribusi normal.
Hubungan antar variabel pada analisis korelasi jika dilihat dari segi arahnya, dapat
dibedakan menjadi dua, yaitu korelasi searah (positif) dan korelasi berlawanan arah
(negative). Angka indeks korelasi merupakan suatu angka yang dapat dijadikan petunjuk
untuk mengetahui seberapa besar kekuatan korelasi di antara variabel yang sedang
dikorelasikan. Pada umumnya, angka indeks korelasi disimbolkan dengan r xy yang
berarti angka indeks korelasi antara variabel X dan variabel Y.

Terdapat bermacam-macam teknik statistic korelasi yang dapat digunakan untuk

menguji hipotesis asosiatif. Untuk data nominal dan ordinal digunakan statistic
nonparametris dan untik data interval dan ratio digunakan statistic parametris. Pada
statistic parametris menggunakan teknik korelasi produk momen pearson, korelasi
ganda, dan korelasi parsial. Sedangkan pada statistic nonparametris menggunakan teknik
korelasi spearman rank, koefisien kontigensi, dan korelasi kendall tau.

3.2 Saran
Makalah ini kami susun agar memberikan manfaat yang besar bagi para pembaca. Kami
berharap makalah ini dapat dijadikan sebagai bahan kajian sehingga dapat memberikan
lebih kejelasan bagi para pembaca tentang sub bab yang telah kami bahas. Kemudian
menurut hemat kami, makalah ini masih jauh dari kesempurnaan. Untuk itu kami
berharap kesedian bagi para pembaca untuk memberikan kritik dan saran yang bersifat
membangun, penulis harapkan semoga menjadi hasil yang terbaik dan lebih sempurna di
kemudian hari.

50
 DAFTAR PUSTAKA

Anwar, Ali. 2009. Statistik Untuk Penelitian Pendidikan. Kediri: IAIT Press.

Atmodjo, J. Tri. 2005. Modul Penelitian Korelasi (artikel). Jakarta: Fikom Universitas
Mercubuana Jakarta

Emzir. 2009. Metodologi Penelitian Pendidikan Kualitatif dan Kuantitatif. Jakarta: PT Raja
Grafindo Pergoda.
Ruseffendi. 1993. Statistika untuk Penelitian Pendidikan. Jakarta: Departemen Pendidikan
dan Kebudayaan Direktorat Jenderal Perguruan Tinggi Proyek Pembinaan Tenaga
Kependidikan Perguruan Tinggi.

Sudijono, A. (2004). Pengantar Statistik Pendidikan. Jakarta: Rajawali Pers.

Sudjana. 2005. Metode Statistik. Bandung: Tarsito.

Sugiyono. 2010. Statistik Untuk Penelitian. Bandung: Alfabeta.

Sutrisno, Hadi. (1987). Statistik. Jilid II. Yogyakarta: Fakultas Psikologi UGM.