Slide 3

Korelasi bisa positif atau negatif. Jika kedua variabel menunjukkan perubahan dalam arah yang
sama, itu menjadi kasus korelasi positif. Jika kedua variabel menunjukkan perubahan ke arah yang
berlawanan, itu membuat kasus korelasi negatif.

Namun, terkadang dua variabel mungkin menunjukkan hubungan meskipun dalam dunia praktis
mereka tidak terkait satu sama lain. Misalnya, jika kita mengambil data tentang pengeluaran iklan dan
pengeluaran R&D suatu perusahaan, kedua variabel tersebut mungkin menunjukkan peningkatan
selama bertahun-tahun dan karenanya merupakan hubungan positif di antara keduanya. Namun, pada
kenyataannya tidak ada hubungan antara pengeluaran iklan suatu organisasi dan pengeluarannya untuk
tanggung jawab sosial perusahaan. Asosiasi semacam itu disebut sebagai korelasi palsu. Oleh karena itu,
harus ada pembenaran teoretis di balik analisis asosiasi variabel.

Slide 4

Jika kita menguji korelasi antara dua variabel, ini disebut korelasi sederhana. Jika lebih dari dua
variabel yang terlibat, kita dapat menghitung korelasi parsial dan korelasi ganda tergantung pada
kebutuhan penyelidikan.

Slide 5

dimana, p (diucapkan sebagai rhow) adalah koefisien korelasi populasi, Cov(X, Y) adalah ukuran
kovarians dari dua variabel X dan Y dan σX dan σY masing-masing adalah standar deviasi populasi dari
X dan Y.

dimana, r adalah koefisien korelasi sampel, Cov(X, Y) adalah ukuran kovarians dari dua variabel dalam
sampel, sX dan sY adalah standar deviasi sampel dari X dan Y masing-masing.
Slide 7

Seperti yang dapat kita lihat pada Gambar 10.1,

terdapat korelasi positif sempurna antara X dan Y diwakili oleh garis lurus naik ke atas dan nilai
koefisien korelasi (r) dalam hal ini adalah satu.

Di sisi lain, korelasi negatif sempurna antara X dan Y diwakili oleh garis lurus miring ke bawah
dan koefisien korelasi (r) bernilai -1.

Plot (ii) dan (iii) pada Gambar 10.1 menunjukkan korelasi positif dan negatif yang tinggi antara
variabel X dan Y.

Plot (v) menunjukkan titik-titik data yang tersebar, dimana X dan Y tidak berkorelasi; karenanya,
r mengambil nilai nol. Semakin dekat koefisien korelasi ke nol, semakin lemah hubungan antara X dan Y.

Setelah membaca bab ini, Anda akan dapat memahami:

1. Konsep dasar analisis korelasi.

2. Perhitungan koefisien korelasi sederhana dan uji signifikansinya.

3. Perhitungan koefisien korelasi parsial dan uji signifikansinya.

4. Koefisien korelasi ganda.

Slide 11

Gambar 1

Seperti yang dapat kita pahami dari tanda r, X dan Y memiliki korelasi positif. Nilai r 2 memberikan
persentase varians yang dibagi antara X dan Y. Sekarang, karena nilai r 2 adalah 0,94, kita dapat
mengatakan bahwa 94% varians dalam data adalah umum di X dan Y. Dengan demikian, kita dapat
menyimpulkan bahwa kedua variabel tersebut sangat berkorelasi.

Gambar 2

Kesimpulan
1. Menggunakan Kriteria uji-statistik

If|t|>t α, n2 ‘ maka hipotesis nol ditolak dan dapat disimpulkan bahwa kedua variabel tersebut juga
memiliki hubungan yang kuat dalam populasi. Jika tidak, maka variabel tidak memiliki hubungan yang
signifikan dalam populasi. Perhatikan bahwa di sini |t| adalah nilai statistik uji yang dihitung dan t α,
n2’, adalah nilai kritis t. (cara bacanya)

2. Menggunakan Kriteria nilai-p

Jika nilai p lebih kecil dari α, hipotesis nol dapat ditolak dan sebaliknya

Slide 13

Menggunakan Excel untuk analisis korelasi sederhana

Cara pertama

Seperti yang dapat kita lihat pada Gambar 10.5, hasil untuk koefisien korelasi (sebagai r = 0,969188996)
ada pendekatan lain untuk menggunakan Excel untuk analisis ini yaitu dengan menggunakan alat analisis
data. Untuk ini, langkah-langkah berikut diikuti:

Cara kedua ???

Cara SPSS

Seperti yang dapat kita lihat pada Tabel 10.4, Sig. nilai untuk r adalah 0,000. Sehinga Sig. nilai yang
kurang dari α, ada hubungan yang kuat antara penjualan dan biaya iklan dalam populasi. Dengan
demikian, hasil SPSS tersebut menguatkan dengan yang diperoleh melalui perhitungan manual.
 Dalam distribusi bivariat, kita akan tertarik untuk mengetahui apakah kedua variabel memiliki
hubungan. Misalnya, kita mungkin tertarik untuk mengetahui apakah ada hubungan antara penjualan
dan pengeluaran iklan suatu perusahaan. Penyelidikan semacam itu dapat dilakukan dengan bantuan
alat korelasi. Analisis korelasi mencoba mempelajari hubungan antar variabel. Ini juga mengukur tingkat
hubungan antara variabel. Korelasi bisa positif atau negatif. Jika kedua variabel menunjukkan
perubahan dalam arah yang sama, itu menjadi kasus korelasi positif. Jika kedua variabel menunjukkan
perubahan ke arah yang berlawanan, itu membuat kasus korelasi negatif. Namun, terkadang dua
variabel mungkin menunjukkan hubungan meskipun dalam dunia praktis mereka tidak terkait satu sama
lain. Misalnya, jika kita mengambil data tentang pengeluaran iklan dan pengeluaran R&D suatu
perusahaan, kedua variabel tersebut mungkin menunjukkan peningkatan selama bertahun-tahun dan
karenanya merupakan hubungan positif di antara keduanya. Namun, pada kenyataannya tidak ada
hubungan antara pengeluaran iklan suatu organisasi dan pengeluarannya untuk tanggung jawab sosial
perusahaan. Asosiasi semacam itu disebut sebagai korelasi palsu. Oleh karena itu, harus ada
pembenaran teoretis di balik analisis asosiasi variabel.

Jenis Korelasi

Analisis korelasi berlaku untuk distribusi bivariat dan multivariat. Ada tiga jenis korelasi:

1. Korelasi sederhana

2. Korelasi parsial

3. Korelasi berganda

Jika kita menguji korelasi antara dua variabel, ini disebut korelasi sederhana. Jika lebih dari dua variabel
yang terlibat, kita dapat menghitung korelasi parsial dan korelasi ganda tergantung pada kebutuhan
penyelidikan. Dalam korelasi parsial, korelasi antara dua variabel dipelajari sambil menjaga semua
variabel lainnya konstan. Dalam korelasi ganda, kami menguji hubungan antara variabel dependen atau
respons dan himpunan semua variabel independen atau prediktor. Dapat dicatat bahwa analisis
korelasi sederhana dan parsial tidak mempelajari hubungan sebab dan akibat. Koefisien korelasi
berganda digunakan dalam regresi yang menguji hubungan sebab akibat antara variabel terikat dan
variabel bebas.

1. Simple correlation
Pearson mengembangkan ukuran yang dikenal sebagai koefisien korelasi untuk mempelajari
hubungan antara dua variabel metrik. Hal ini juga dikenal sebagai koefisien korelasi product
moment. Jika kita memiliki dua variabel X dan Y, maka koefisien korelasi, sebagai ukuran
hubungan linier antara X dan Y dalam suatu populasi, adalah:

(10.1)

dimana, p (diucapkan sebagai rhow) adalah koefisien korelasi populasi, Cov(X, Y) adalah
ukuran kovarians dari dua variabel X dan Y dan σX dan σY masing-masing adalah standar
deviasi populasi dari X dan Y. Ukuran yang sesuai dalam sampel adalah:
 (10.2)

dimana, r adalah koefisien korelasi sampel, Cov(X, Y) adalah ukuran kovarians dari dua
variabel dalam sampel, sX dan sY adalah standar deviasi sampel dari X dan Y masing-masing.
Selanjutnya, rumus (10.2) dapat dinyatakan sebagai:

Koefisien korelasi terletak antara rentang -1 dan +1. Dengan demikian, kuadrat koefisien
korelasi terletak antara 0 dan 1.

Dalam distribusi bivariat, kita bisa mendapatkan gambaran yang adil tentang hubungan
antara variabel dengan memplot titik data dari dua variabel seperti yang ditunjukkan pada Gambar
10.1.

Seperti yang dapat kita lihat pada Gambar 10.1,

terdapat korelasi positif sempurna antara X dan Y diwakili oleh garis lurus naik ke atas dan nilai
koefisien korelasi (r) dalam hal ini adalah satu.

Di sisi lain, korelasi negatif sempurna antara X dan Y diwakili oleh garis lurus miring ke bawah
dan koefisien korelasi (r) bernilai -1.

Plot (ii) dan (iii) pada Gambar 10.1 menunjukkan korelasi positif dan negatif yang tinggi antara
variabel X dan Y.

Plot (v) menunjukkan titik-titik data yang tersebar, dimana X dan Y tidak berkorelasi; karenanya,
r mengambil nilai nol. Semakin dekat koefisien korelasi ke nol, semakin lemah hubungan antara X dan Y.
Contoh korelasi
Mari kita plot data terlebih dahulu untuk memahami sifat hubungan antara penjualan dan biaya iklan
Futurista Electronics Inc.

Gambar 10.2 menunjukkan kedua variabel memiliki korelasi positif yang tinggi. Mari kita hitung koefisien
korelasi Pearson untuk mendapatkan ukuran derajat hubungan antara penjualan dan pengeluaran iklan:
 Seperti yang dapat kita pahami dari tanda r, X dan Y memiliki korelasi positif. Nilai r 2
memberikan persentase varians yang dibagi antara X dan Y. Sekarang, karena nilai r 2
adalah 0,94, kita dapat mengatakan bahwa 94% varians dalam data adalah umum di X
dan Y. Dengan demikian, kita dapat menyimpulkan bahwa kedua variabel tersebut sangat
berkorelasi.

Menguji Signifikansi Koefisien Korelasi atau Testing the Significance of Correlation Coefficient

Setelah menghitung koefisien korelasi dari sampel, penting untuk menguji signifikansinya
bagi populasi induk. Untuk ini, kami menggunakan uji-t. Prosedurnya dijelaskan pada
Gambar 10.3.

Kesimpulan

1. Menggunakan Kriteria uji-statistik

If|t|>t α, n2 ‘ maka hipotesis nol ditolak dan dapat disimpulkan bahwa kedua variabel tersebut juga
memiliki hubungan yang kuat dalam populasi. Jika tidak, maka variabel tidak memiliki hubungan yang
signifikan dalam populasi. Perhatikan bahwa di sini |t| adalah nilai statistik uji yang dihitung dan t α,
n2’, adalah nilai kritis t. (cara bacanya)

2. Menggunakan Kriteria nilai-p

Jika nilai p lebih kecil dari α, hipotesis nol dapat ditolak dan sebaliknya.

Mari kita uji signifikansi koefisien korelasi dalam kasus Futurista Electronics Inc. Kita mulai dengan
hipotesis nol, yang menyatakan bahwa dalam populasi dua variabel, yaitu, biaya penjualan dan iklan
tidak berhubungan. Oleh karena itu, koefisien korelasi populasi ρ adalah nol.

Kesimpulan

Nilai tabulasi t dengan 13 derajat kebebasan pada taraf signifikansi 5% adalah 2,160 (untuk nilai kritis t,
lihat Lampiran pada tabel statistik). Karena nilai t-statistik yang dihitung lebih dari nilai t yang ditabulasi
atau kritis, kami menyimpulkan bahwa hipotesis nol ditolak dan, oleh karena itu, ada hubungan yang
kuat antara penjualan dan pengeluaran iklan dalam populasi.

Menggunakan Excel untuk analisis korelasi sederhana

 Cara pertama

Seperti yang dapat kita lihat pada Gambar 10.5, hasil untuk koefisien korelasi (sebagai r = 0,969188996)
ada pendekatan lain untuk menggunakan Excel untuk analisis ini yaitu dengan menggunakan alat analisis
data. Untuk ini, langkah-langkah berikut diikuti: