MODUL

9 ANALISIS
KORELASI

9.1. PENDAHULUAN

Melalui analisis regresi yang telah diulas sebelumnya, dapat diketahui hubungan dua
variabel atau lebih dalam bentuk persamaan. Meskipun demikian, terkadang disamping
bentuk hubungan variabel-variabel terkait, dibutuhkan pula informasi tentang keeratan
hubungan dari variabel-variabel yang menjadi perhatian. Dalam hal keeratan hubungan ini,
analisis korelasi paling sering digunakan dalam statistika. Nyatanya, tersedia lebih dari satu
jenis analisis korelasi yang dapat digunakan tergantung pada skala pengukuran datanya.
Untuk data berskala ukur minimal interval, pada umumnya digunakan Analisis Korelasi
Pearson. Untuk data berskala ukur ordinal digunakan Analisis Korelasi Spearman.
Sedangkan untuk data berskala ukur minimal nominal digunakan Uji Kebebasan dalam tabel
kontingensi.

Studi yang membahas tentang derajat hubungan antar variabel dinamakan analisis
korelasi. Ukuran yang dipakai untuk mengetahui derajat hubungan, terutama untuk data
kuantitatif dinamakan koefisien korelasi.

Manfaat dari mempelajari materi Modul 9 ini adalah agar anda dapat memahami
analisis korelasi karena analisis tersebut mampu memberi informasi kepada anda mengenai
keeratan hubungan variabel-variabel.

Relevansi dari Modul 8 ini adalah bahwa pengetahuan anda tentang analisis korelasi
dapat membantu anda bila anda bermaksud mengetahui tingkat keeratan hubungan antar
variabel. Penerapannya dapat dijumpai secara luas dibanyak bidang seperti teknik, ekonomi,
manajemen, biologi, ilmu-ilmu sosial, ilmu-ilmu pertanian, dan lain lain.

Modul 9. Analisis Korelasi 162

 Tujuan Pembelajaran/Kompetensi dari Modul 9 ini adalah bahwa setelah selesai
mempelajari Modul 9 ini anda diharapkan dapat dengan tepat: 1) Menghitung koefisien
korelasi dan 2) Memberi penjelasan mengenai cara-cara pengujian koefisien korelasi.

Untuk memudahkan anda mempelajari isi Modul 9 serta mengetahui kaitan antara
materi-materinya, maka berikut ini dikemukakan urutan bahasan dan kaitan materi Modul
9 yakni: indeks determinasi, korelasi dalam regresi linier, dan menguji hipotesis koefisien
korelasi ρ.

9.2. PENYAJIAN
Pada Modul 9 ini kita akan mempelajari tiga aspek berikut: 1) Indeks determinasi;
2) Korelasi dalam regresi linier; dan 3) Menguji hipotesis koefisien korelasi ρ.

9.2.1. Indeks Determinasi

Analisis korelasi sukar dipisahkan dari analisis regresi. Secara umum, untuk
pengamatan yang terdiri dari dua variabel X dan Y maka kita akan tinjau hal berikut:

Misalkan persamaan regresi Y atas X, tidak perlu harus linier, yang dihitung dari data
sampel, berbentuk Ŷ = f(X). Jika regresinya linier, jelas f(X) = a + bX dan jika parabola

kuadratik f(X) = a + bX + cX 2 dan seterusnya. Jika menyatakan rata-rata untuk data

variabel Y, maka dapat dibentuk jumlah kuadrat total, JK tot = Σ(Yi – )2 dan jumlah kuadrat

residu, JK res = Σ(Yi – Ŷ)2 dengan menggunakan harga Ŷi yang didapat dari regresi Ŷ = f(X).

Indeks Determinasi ialah suatu besaran yang mengukur derajat hubungan antara
variabel X dan Y, apabila antara X dan Y terdapat hubungan regresi berbentuk Ŷ = f(X).

Indeks determinasi biasa disimbol I dan dapat dihitung dengan menggunakan:

formula 9.1 ...... atau

Modul 9. Analisis Korelasi 163

 formula 9.2 ......

Indeks determinasi ini bersifat bahwa jika titik-titik diagram pencar letaknya makin
dekat kepada garis regresi maka harga I makin dekat kepada 1, dan sebaliknya maka harga I
makin dekat kepada nol. Secara umum berlaku 0 ≤ I ≤ 1.

9.2.2. Korelasi Dalam Regresi Linier

Apabila garis regresi yang terbaik untuk sekumpulan data berbentuk linier, maka
derajat hubungannya dinyatakan dengan r dan biasa dinamakan koefisien korelasi. Karena
formula 9.1. di atas bersifat umum, maka itupun berlaku apabila pola hubungan X dan Y
berbentuk regresi linier. Dalam hal ini I akan diganti oleh r2 dan diperoleh :

formula 9.3 ….

r2 dinamakan koefisien determinasi atau koefisien penentu. Dinamakan demikian

karena 100% r2 dari variasi yang terjadi dalam variabel tak bebas Y dapat dijelaskan oleh
variabel bebas X dengan adanya regresi linier Y atas X.

Harga dinamakan koefisien alienasi atau koefisien perenggangan. Harga 1 –

r2 dapat dinamakan koefisien non determinasi. Koefisien korelasi r didapat dengan jalan
mengambil akar dari r2.

Mudah dilihat bahwa formula 9.1 dan formula 9.3 akan berlaku 0 ≤ r2 ≤ 1 sehingga
untuk koefisien korelasi didapat hubungan -1 ≤ r ≤ +1. Harga r = -1 menyatakan adanya
hubungan linier sempurna tak langsung antara X dan Y. Ini berarti bahwa titik-titik yang
ditentukan oleh (Xi,Yi) seluruhnya terletak pada garis regresi linier. Harga r = +1 menyatakan
adanya hubungaan linier sempurna langsung antara X dan Y.

Harga-harga r lainnya bergerak antara -1 dan +1 dengan tanda negatif menyatakan

adanya korelasi tak langsung atau korelasi negatif dan tanda positif menyatakan korelasi
langsung atau korelasi positif. Khusus untuk r = 0, ditafsirkan bahwa tidak terdapat
hubungan linier antara variabel-variabel X dan Y.

Modul 9. Analisis Korelasi 164

 Untuk keperluan perhitungan koefisien korelasi r berdasarkan sekumpulan data (Xi,
Yi) berukuran n (skala data minimal interval)maka dpt digunakan koefisien korelasi pearson
sebagai berikut:

formula 9.4 .….

Bentuk lain dapat pula digunakan :

formula 9.5 ……

Dengan sy,x = kekeliruan baku taksiran dan sy = simpangan baku untuk Y.

Jika persamaan regresi linier Y atas X telah ditentukan dan sudah didpt koefisien arah
b, maka koefisien determinasi r2 dpt ditentukan oleh:

formula 9.6. .......

Dengan sedikit pengerjaan aljabar, dari formula di atas dapat diturunkan formula
koefisien korelasi:

formula 9.7.....

dengan sx simpangan baku untuk variabel X dan sy simpangan baku untuk variabel Y.

Masih ada formula lain yaitu yang ditentukan oleh koefisien arah garis regresi Y atas
X dan regresi X atas Y.

Jika b1 koefisien arah regresi Y atas X dan b2 koef arah regresi X atas Y untuk data yang
sama maka:

formula 9.8 ....... r2 = b1 b2.

Formula ini menyatakan bahwa koefisien korelasi r adalah rata-rata ukur daripada koefisien
arah b1 dan b2.

Contoh:

Modul 9. Analisis Korelasi 165

 Perhatikan data mengenai hubungan antara banyak pengunjung dan yang berbelanja
di sebuah toko (tabel 7.1). Telah didapat ΣXi = 1.105; ΣYi = 1.001; ΣXi Yi = 37.094, ΣXi2 =
41.029; ΣYi2 = 33.59; dan n = 30. Dan telah diselidiki bahwa regresi linier Y atas X cocok
untuk data tersebut.

Dari formula 9.4 diperoleh :

r = 0,8758.

Dari hasil ini ternyata didapat korelasi positif antara banyak pengunjung X dan yang
berbelanja Y. Berarti meningkatnya pengunjung yang datang meningkat pula banyak yang
berbelanja.

Besar hubungan ditentukan oleh koefisien determinasi r2 = 0,7670 atau sebesar

76,70%. Ini berarti bahwa meningkatnya atau menurunnya pembeli 76,70% dapat
dijelaskan oleh banyaknya pengunjung melalui hubungan linier yang persamaannya Ŷ
= 8,24 + 0,68X dan sisanya ditentukan oleh keadaan lain (faktor-faktor yang tidak
diperhitungkan dalam model).

Contoh:

Ambillah regresi model Ŷ = 2 + X 2. Jelas ini bukan regresi linier. Kita ambil harga-
harga sebagai berikut:

Xi -3 -2 -1 0 1 2 3

Yi 11 6 3 2 3 6 11

Dari sini mudah didapat bahwa: ΣXi = 0; ΣYi = 42; ΣXi2 = 28; ΣYi2 = 336; ΣXi Yi = 0; dan
n = 7, dengan formula 9.4 didapat:

Modul 9. Analisis Korelasi 166

 Hal ini mengandung arti bahwa tidak terdapat hubungan linier antara X dan Y.
Memang yang ada antara X dan Y, yakni Ŷ = 2 + X2 berbentuk parabola kuadratik. Sekarang
kita lihat berapa derajat hubungan yang ada antara X dan Y dalam bentuk kuadratik tersebut.

Kita gunakan formula 9.3 kita lihat bahwa = 6; Ŷi = Yi; dan harga-harga seperti

tertera di atas. Dengan demikian Σ(Yi – Ŷi)2 = 0 sehingga formula 9.3, mudah dilihat bahwa r2
= 1. Ini berarti bahwa terdapat hubungan sempurna antara X dan Y yang dinyatakan oleh
parabola dengan persamaan Ŷ = 2 + X2.

Contoh di atas memperlihatkan bahwa koefisien korelasi r = 0. Tidak berarti bahwa

tidak terdapat hubungan antara X dan Y. Yang benar adalah tidak terdapat hubungan linier
antara X dan Y, melainkan hubungan berbentuk lain (dalam hal ini model kuadratik).

9.2.3. Menguji Hipotesis Koefisien Korelasi ρ.

Kembali kepada populasi normal bervariabel dua dengan koefisien korelasi ρ. Dari
modelnya, jika ρ = 0, maka ternyata bahwa X dan Y independen artinya keduanya tidak
memiliki hubungan sama sekali. Sehingga dalam hal populasi berdistribusi normal, ρ = 0
mengakibatkan bahwa X dan Y independen dan sebaliknya. Sifat ini tidak berlaku bagi
populasi yang tidak berdistribusi normal.

Karena dalam suatu penelitian kita sering ingin mengetahui apakah antara dua
variabel itu independen atau tidak, kita perlu melakukan uji independen. Hipotesis yang harus
diuji adalah:

H0 : ρ=0, artinya tidak ada hubungan antara kedua variabel tersebut

H1 : ρ≠0, artinya ada hubungan antara kedua variabel tersebut

Jika sampel acak yang diambil dari populasi berdistribusi normal bervariabel dua
berukuran n dan meiliki koefisien korelasi r, maka formula yang dipakai sebagai berikut:

formula 9.9 .........

Modul 9. Analisis Korelasi 167

 Kaidah keputusan yang dipakai adalah untuk taraf nyata α, terima Ho bila
; dimana distribusi t yang digunakan mempunyai dk (n-2). Dalam hal
lainnya tolak Ho, terima H1.

Bentuk alternatif untuk menguji Ho bisa H1 : ρ > 0 (uji pihak kanan) atau H1 : ρ < 0
(uji pihak kiri). Daerah kritis pengujian (daerah penolakan Ho) seperti biasa harus
disesuaikan dengan alternatif yang diambil.

Contoh:

Untuk menguji Ho: ρ = 0, melawan H1: ρ ≠ 0,berdasarkan sebuah sampel acak

berukuran n = 27 dengan r = 0.28, maka dari formula 9.9 diperoleh:

Jika taraf nyata α = 0.05 maka dengan dk = 25 maka untuk uji dua pihak t 0.975 = 2.060,
ternyata t = 1.458 terletak antara -2.060 dan +2.060. Berdasarkan kaidah pengambilan
keputusan Ho diterima. Kesimpulannya antara dua variabel tersebut tidak memiliki
hubungan linier.

9.2.4.Koefisien Korelasi Berganda

Koefisien korelasi berganda mengukur keeratan hubungan antara variabel respon (Y)
dengan semua variabel penjelas atau prediktor (X 1,X2,X3,...,Xn) secara bersamaan. Pada
analisis regresi berganda, nilai koefisiennya dapat diperoleh dengan mengakarkan nilai
koefisien determinasi (R2) keseluruhan. Nilai yang diperoleh dilambangkan dengan R dan
disebut sebagai koefisien korelasi berganda atau koefisien korelasi majemuk. Perlu dicatat,
berbeda dengan nilai koefisien korelasi sederhana yang bisa positif atau negatif, nilai
koefisien korelasi berganda (R) selalu positif.

Untuk harga k (banyaknya variabel bebas/penjelas/prediktor) koefisien korelasi ganda

dapat pula dihitung dengan menggunakan koefisien korelasi antara dua variabel. Misalnya
untuk Y, X1 dan X2, koeffisien korelasi ganda R dapat dihitung dengan rumus:

Modul 9. Analisis Korelasi 168

 Rumus 9.10..............

dengan : rY1 = koefisien korelasi antara Y dan X1; rY2 = koefisien korelasi antara Y dan X2; r12
= koefisien korelasi antara X1 dan X2.

Dengan menggunakan koefisien korelasi ganda R ini, kita juga dapat menguji keberartian
korelasi ini, jadi juga menguji keberartian regresi. Untuk ini digunakan statistik F dengan
rumus:

Rumus 9.11.........

dengan k menyatakan banyaknya variabel penjelas/prediktor/bebas dan n = ukuran sampel.

Statistik F ini berdistribusi F dengan dk pembilang = k dan dk penyebut = (n – k – 1).

Contoh: Lihat data Tabel 8.1. R2=0.8364 dan k =2 dan n=10. R=

Ftabel = 4,74 - fhit > ftabel...-nyta -- α=0,01----9,55 --- sangat nyata—besaran pengaruh
dari x terhadap Y –sangat nyata.

9.2.5. Koefisien Korelasi Parsial

Seperti halnya koefisien korelasi berganda, koefisien korelasi parsial juga melibatkan
banyak variabel. Tapi, pada koefisien korelasi parsial ini diukur korelasi antara dua variabel
(misalnya Y dan X1) dengan asumsi variabel lainnya tetap konstan.

Koefisien korelasi parsial mengukur bagaimana Y berhubungan dengan masing-

masing variabel bebas. Untuk variabel-variabel Y, X 1 dan X2 misalnya kita dapat
menentukan koefisien korelasi parsial antara Y dan X1 dengan menganggap X2 tetap, dan
dinyatakan dengan dan koefisien korelasi parsial antara Y dengan X 2, dengan asumsi
X1 tetap dan dinyatakan dengan Koefisien korelasi parsial masing-masing dihitung
sebagai berikut:

Rumus 9.11.....

Modul 9. Analisis Korelasi 169

 Dari formula di atas bisa dilihat bahwa koefisien korelasi parsial antara Y dan X 1
tergantung pada korelasi sederhana antara Y dengan X1, Y dengan X2 dan X1 dengan X2.
Nilai koefisien korelasi parsial YX1.X2 akan sama dengan nilai koefisien korelasi sederhana
YX1 hanya jika korelasi sederhana X1 dengan X2 dan Y dengan X2 sama dengan nol.

Contoh: Lihat data Tabel 8.1. Kita dapat menghitung koefisien korelasi rY1, rY2 dan r12.
Hasilnya sebagai berikut: rY1 = 0.9985; rY2 = 0.9957 dan r12 =0.9973. Jadi koefisien
korelasi parsial antara Y dan X2 dengan asumsi X1 tetap adalah :

(catatan: baca ry2.1, korelasi parsial y dengan x2, dengan asumsi x1 dianggap tetap)

9.3. PENUTUP

9.3.1. Ringkasan

Studi yang membahas tentang derajat hubungan antar variabel dinamakan analisis
korelasi. Ukuran yang dipakai untuk mengetahui derajad hubungan, terutama untuk data
kuantitatif dinamakan koefisien korelasi.

Indeks Determinasi ialah suatu besaran yang mengukur derajat hubungan antara
variabel X dan Y, apabila antara X dan Y terdapat hubungan regresi berbentuk Ŷ = f(X).

Indeks determinasi biasa disimbol I dan dapat dihitung dengan menggunakan:

atau

Indeks determinasi ini bersifat bahwa jika titik-titik diagram pencar letaknya makin
dekat kepada garis regresi maka harga I makin dekat kepada 1, dan sebaliknya maka harga I
makin dekat kepada nol. Secara umum berlaku 0 ≤ I ≤ 1.

Apabila garis regresi yang terbaik untuk sekumpulan data berbentuk linier, maka derajad
hubungannya dinyatakan dengan r dan biasa dinamakan koefisien korelasi. Karena formula
Modul 9. Analisis Korelasi 170
9.1. di atas bersifat umum, maka itupun berlaku apabila pola hubungan X dan Y berbentuk
regresi linier. Dalam hal ini I akan diganti oleh r2 dan diperoleh :

r2 dinamakan koefisien determinasi atau koefisien penentu. Dinamakan demikian

karena r2 menunjukkan besaran Y ( dalam %) dari variasi yang terjadi dlm variabel tak
bebas Y dapat dijelaskan oleh variabel bebas X dgn adanya regresi linier Y atas X.

Harga dinamakan koefisien alienasi atau koefisien perenggangan. Harga 1 –

r2 dapat dinamakan koefisien non determinasi. Koefisien korelasi r didapat dengan jalan
mengambil akar dari r2.

Untuk koefisien korelasi didapat hubungan -1 ≤ r ≤ +1. Harga r = -1 menyatakan

adanya hubungan linier sempurna tak langsung antara X dan Y. Harga r = +1 menyatakan
adanya hubungaan linier sempurna langsung antara X dan Y.

Harga-harga r lainnya bergerak antara -1 dan +1 dgn tanda negatif menyatakan

adanya korelasi tak langsung atau korelasi negatif dan tanda positif menyatakan korelasi
langsung atau korelasi positif. Khusus untuk r = 0, ditafsirkan bahwa tidak terdapat
hubungan linier antara variabel-variabel X dan Y.

Untuk keperluan perhitungan koefisien korelasi r berdasarkan sekumpulan data (X i,

Yi) berukuran n (skala data minimal interval) maka dpt digunakan koefisien korelasi Pearson
sebagai berikut:

Bentuk lain dapat pula digunakan :

dengan sy,x = kekeliruan baku taksiran dan sy = simpangan baku untuk Y.

Jika persamaan regresi linier Y atas X telah ditentukan dan sudah didpt koefisien arah
b, maka koefisien determinasi r2 dpt ditentukan oleh:

Modul 9. Analisis Korelasi 171

atau : dengan sx simpangan baku untuk variabel X dan s y simpangan baku untuk

variabel Y.

Masih ada formula lain yaitu yang ditentukan oleh koefisien arah garis regresi Y atas
X dan regresi X atas Y.

Jika b1 koefisien arah regresi Y atas X dan b2 koef arah regresi X atas Y untuk data yang
sama maka r2 = b1 b2.

Kembali kepada populasi normal bervariabel dua dengan koefisien korelasi ρ. Dari
modelnya, jika ρ=0 maka ternyata bahwa X dan Y independen artinya keduanya tidak
memiliki hubungan sama sekali. Sehingga daklam hal populasi berdistribusi normal, ρ=0
mengakibatkan bahwa X dan Y independen dan sebaliknya. Sifat ini tidak berlaku bagi
populasi yang tidak berdistribusi normal.

Jika sampel acak yang diambil dari populasi berdistribusi normal bervariabel dua
berukuran n dan memiliki koefisien korelasi r, maka formula yang dipakai sebagai berikut:

Kaidah keputusan yang dipakai adalah untuk taraf nyata α, terima Ho bila
dimana distribusi t yang digunakan mempunyai dk (n-2). Dalam hal
lainnya tolak Ho, terima H1.

Bentuk alternatif untuk menguji Ho bisa H1 : ρ>0 (uji pihak kanan) atau H1 : ρ<0 (uji
pihak kiri). Daerah kritis pengujian (daerah penolakan Ho) seperti biasa harus disesuaikan
dengan alternatif yang diambil.

Koefisien korelasi berganda mengukur keeratan hubungan antara variabel respon (Y)
dengan semua variabel penjelas atau prediktor (X1,X2,X3,...,Xn) secara bersamaan. Pada
analisis regresi berganda, nilai koefisiennya dapat diperoleh dengan mengakarkan nilai
koefisien determinasi (R2) keseluruhan
Koefisien korelasi parsial juga melibatkan banyak variabel. Tapi, pada koefisien
korelasi parsial ini diukur korelasi antara dua variabel (misalnya Y dan X1) dengan asumsi
variabel lainnya tetap konstan. Koefisien korelasi parsial mengukur bagaimana Y
berhubungan dengan masing-masing variabel bebas

Modul 9. Analisis Korelasi 172

9.3.2. Evaluasi

9.3.2.1. Soal Latihan (PR)

1. Jajagi pengetahuan anda dengan menjelaskan konsep-konsep berikut:

Analisis Korelasi; Indeks Korelasi; Koefisien Korelasi; Koefisien Alienasi; Koefisien

Determinasi; Hubungan Linier Sempurna Langsung; Hubungan Linier Sempurna Tak
Langsung; Korelasi Positf; Korelasi Negatif.

2. Jelaskan hubungan yang ada antara korelasi dan regresi untuk dua variabel. Berikan pula
perbedaan yang ada antara keduanya.

3. Apa artinya koefisien korelasi antara IQ dan umur anak r = 0?

4. Jelaskan arti r = -0.8 untuk variabel X dan Y yang regresinya linier.

9.3.2.2. Test formatif 9

1. Banyaknya pengunjung berkorelasi positif dengan jumlah yang berbelanja.

Pernyataan diatas bermakna:

a. Meningkatnya pengunjung yang datang meningkatkan pula jumlah yang

berbelanja

b. Meningkatnya pengunjung yang datang mengurangi pula jumlah yang

berbelanja

c. Meningkatnya pengunjung yang datang tidak meningkatkan jumlah yang

berbelanja

d. Semua jawaban salah

2. Harga r = +1 menyatakan bahwa :

a. Adanya hubungan linier tak langsung

b. Adanya hubungan linier sempurna langsung

c. Adanya korelasi langsung

d. b dan c benar

3. Hubungan antara jumlah pengunjung dan yang berbelanja ditentukan oleh

koefisien determinasi r2 = 0.7670. Koefisien tersebut mengandung arti sebagai berikut:
Modul 9. Analisis Korelasi 173
 a. Meningkat atau menurunnya pembeli 76.70% dapat dijelaskan oleh
banyaknya pengunjung

b. Meningkatnya pembeli 76.70% dapat dijelaskan oleh banyaknya

pengunjung

c. Menurunnya pembeli 76.70% dapat dijelaskan oleh banyaknya pengunjung

d. Tidak ada yang benar

Dibawah ini diberikan data yang secara acak diambil dari populasi normal bervariabel dua (X
dan Y). Gunakan data ini untuk menjawab soal no. 4 - 6

X Y X Y X Y
15 108 8 56 17 153
13 106 11 75 6 73
10 99 17 137 8 95
11 110 20 163 5 26
16 135 12 84 3 24
12 97 18 149 6 50
9 74 16 140 14 96
12 98 13 137 5 35
4 20 18 170 15 132
8 69 11 109 16 141
4. Persamaan regresi linier Y atas X yang diperoleh: Y = -1.24 +0.89X. Rata-rata
Y diharapkan bila X=30 adalah:

a. 256.48

b. 265.08

c. 273.67

d. 247.89

5. Persamaan regresi linier X atas Y yang diperoleh: X = 1.35 +0.10Y. Rata-rata

X diharapkan bila Y=30 adalah:

a. 4.48

b. 4.58

c. 4.68

d. 4.37

Modul 9. Analisis Korelasi 174

6. Hasil analisis menunjukkan bahwa r2= 0.8950 baik untuk regresi Y atas X dan regresi X
atas Y. Hal ini menunjukkan bahwa :

a. Variasi nilai Y atau X 89.50% dijelaskan oleh X atau Y.

b. Variasi nilai Y atau X 10.50% dijelaskan oleh faktor lain

c. Jawaban a dan b benar

d. Jawaban a dan c salah

7. Koefisien determinasi R2 memiliki nilai lebih besar sama dengan nol sampai lebih kecil
sama dengan 1. Kalau R2 = 1 dapat diinterpretasi sebagai berikut:

a. Kalau R2 = 1 berarti garis regresi yang terbentuk dapat meramalkan Y

secara sempurna

b. Kalau R2 = 0 berarti model regresi yang terbentuk tidak tepat untuk

meramalkan Y

c. a dan b benar

d. a dan b salah

8. Dalam melakukan interpretasi terhadap koefisien korelasi bila dalam analisis diperoleh
nilai r = 0.52, kita dapat menyatakan bahwa :

a. Tingkat hubungan antar variabel sangat kuat

b. Tingkat hubungan antar variabel kuat

c. Tingkat hubungan antar variabel sedang

d. Tingkat hubungan antar variabel rendah

9. Kalau R2 = 0.6428. maka nilai koefisien korelasi berganda adalah :

a. 0.8701

b. 0.8107

c. 0.8017

d. 0.7810

10. Nilai koefisien korelasi berganda R dari regresi Y atas X1 dan X2 menunjukkan bahwa:

a. Adanya keeratan hubungan X1 dan X2 secara bersama-sama terhadap Y

Modul 9. Analisis Korelasi 175
 b. Adanya keeratan hubungan X1 terhadap Y

c. Adanya keeratan hubungan X2 terhadap Y

d. Semua jawaban salah

9.3.2.3. Umpan Balik dan tindak lanjut

Cocokkanlah hasil jawaban anda dengan kunci jawaban test formatif 9. Hitunglah
jumlah jawaban yang benar, kemudian gunakan formula dibawah ini untuk mengetahui
tingkat penguasaan anda atas modul 9 ini.

formula :

Arti tingkat penguasaan yang dicapai:

90 - 100% = baik sekali 70 – 79% = cukup

80 - 89% = baik <70% = kurang

Jika mencapai tingkat penguasaan 80% ke atas, anda dapat meneruskan ke Modul berikutnya.
BAGUS. Tetapi bila hasilnya <80%, maka anda harus mengulang kembali terutama pada
kegiatan belajar yang belum anda kuasai.

9.3.2.4. Kunci Jawaban Test Formatif 9

1. A 6. C

2. D 7. C

3. A 8. C

4. A 9. C

5. A 10. A

9.3.3. Daftar Pustaka

Sudjana, 1992. Metoda Statistika. Edisi ke-5. Penerbit Tarsito, Bandung.

Modul 9. Analisis Korelasi 176
Sugiyono dan Wibowo R., 2002. Statistika Penelitian dan Aplikasinya dengan SPSS 10.0 for
Windows. Penerbit Alfabeta, Bandung.

Sugiyono, 2008. Statistika Untuk Penelitian. Penerbit Alfabeta, Bandung.

Sugiarto, D.S.,2002. Metode Statistika Untuk Bisnis dan Ekonomi. Penerbit PT. Gramedia
Pustaka Utama, Jakarta.

Boedijoewono,N., 2001. Pengantar Statistika Ekonomi dan Perusahaan. Jilid 2. Edisi revisi.
Penerbit AMP YKPN , Yogyakarta

Mead R; R.N. Curnow and A.M. Hasted., 1994. Statistical Methods in Agriculture an
Experimental Biology. 2nd Edition. Chapman and Hall, London.

Modul 9. Analisis Korelasi 177