Modul Kuliah Statistik Bidang Sosek (PPK 324)

Modul 11

UJI KORELASI NON PARAMETRIK UNTUK MENGUKUR

HUBUNGAN DUA ARAH

TUJUAN INSTRUKSIONAL UMUM

Dengan mempelajari modul ini diharapkan mahasiswa mampu memahami, memilih dan
menerapkan tehnik uji korelasi untuk mengukur hubungan dua arah.

TUJUAN INSTRUKSIONAL KHUSUS

Setelah mempelajari dan memahami pendahuluan mahasiswa dapat:
1. Mengerti dan memahami tehnik uji korelasi statistika non parametrik untuk mengukur
hubungan dua arah.
2. Menerapkan berbagai tehnik uji korelasi statistika non parametrik untuk mengukur
hubungan dua arah.
3. Memilih teknih uji korelasi statistika non parametrik untuk mengukur hubungan dua
arah.

KEGIATAN BELAJAR
Variabel-variabel sosial ekonomi yang ada dapat saling memiliki keterkaitan antara
yang satu dengan yang lain, atau dapat juga tidak memiliki sama sekali keterkaitan
tersebut. Kondisi ini terjadi karena suatu fenomena sosial ekonomi tidak terjadi begitu saja
(berdiri sendiri), tetapi memiliki keterikatan satu dengan lainnya. Misalnya, rendahnya
pendapatan petani karet di Sumatera Selatan ada kaitannya dengan tingkat pendidikan,
jumlah modal yang ditanamkan pada lahan, aksesibitas wilayah dan banyak faktor lain
yang membentuknya. Kita dapat mengukur derajat keeratan hubungan antara variabel
tersebut dan dapat digunakan untuk informasi bahan pertimbangan dalam pengambilan
keputusan. Ukuran keeratan hubungan antara variabel tersebut dinamakan “korelasi” dan
nilai keeratan hubungan tersebut dinamakan “koefisien korelasi”.
Koefisien korelasi adalah suatu ukuran derajat keeratan hubungan antara dua
variabel, misal antara variabel X dan Y. Nilai koefisien korelasi bekisar antara -1 sampai
+1. apabila nilai koefisien korelasi positif, maka X dan Y meningkat atau menurun
bersama-sama. Nilai koefisien korelasi +1, mengimplikasikan bahwa terdapat korelasi
positif sempurna antara X dan Y. Demikian juga apabila nilai koefisien korelasi -1, berarti
terdapat korelasi negatif sempurna antara variabel X dan Y. Apabila nilai koefisien
korelasi sama dengan nol, maka tidak terdapat hubungan antara X dan Y. Berikut akan
dipelajari beberapa ukuran yang paling sering digunakan dalam mengukur keeratan
hubungan antara dua variabel atau lebih, baik yang termasuk kedalam kelompok statistik
parametrik maupun non parametrik. Pengukuran koefisien korelasi pada statistik
parametrik menggunakan Koefisien Korelasi Pearson (r) dengan rumus sebagai berikut.

Koefisien korelasi : r =

Atau

Jurusan Sosial Ekonomi Pertanian Fakultas Pertanian Unsri 104

-Modul 11-
 Modul Kuliah Statistik Bidang Sosek (PPK 324)

r=

Dimana:
r adalah koefisien korelasi Pearson
X adalah variabel yang mau diukur keeratan hubungannya dengan Y
Y adalah vriabel lain yang mau diukur keeratan hubungannya dengan X
n adalah jumlah sampel

Rumus koefisien korelasi di atas dinamakan rumus koefisien korelasi pearson order nol
atau koefisien korelasi sederhana. Seperti yang pernah dipelajari dalam mata kuliah
statistik, maka terdapat juga korelasi parsial, yang mengukur keeratan hubungan antara dua
variabel, tetapi pengaruh variabel lain juga ikut dipertimbangkan dalam pengukurannya.
Penggunaan ukuran koefisien korelasi pearson memerlukan asumsi-asumsi,
sebagaimana uji statistik parametrik, misalnya data harus menyebar atau dianggap
menyebar normal. Apabila asumsi ini tidak dapat dipenuhi, maka ukuran korelasi non
parametrik yang dapat digunakan sebagai alternatifnya. Beberapa ukuran korelasi non
parametrik yang akan dipelajari di sini adalah:
1. Koefisien Kontingensi (C)
2. Koefisien Korelasi Kendall (τ)
3. Koefisien Korelasi Parsial Kendall (τxyz)
4. Koefisien Konkordansi Kendall (W)

A. Koefisien Kontinguensi (C)

Ukuran keeratan hubungan yang paling sederhana antara dua kelompok variabel
adalah Koefisien Kontingensi

Tabel : Kontinguensi untuk menghitung Koefisien korelasi (C)

Variabel f Variabel A Total
A1 A2 . AKBK …
B1 A1B1 A2B1 . AKB1 …
B2 A1B2 A2B2 . AKB2 …
. . . . . …
. …
Br ARBR Arbr . AKBR …
Total … N

Rumus :

C=

Dimana:
X2 = , db = (p-1)(c-1)

Bila x2hit x2(db) Tolak Ho

Contoh :
Jurusan Sosial Ekonomi Pertanian Fakultas Pertanian Unsri 105
-Modul 11-
 Modul Kuliah Statistik Bidang Sosek (PPK 324)

Tabel : data hasil penelitian tingkat perkembangan kelompok tani dengan tempat
menjual hasil
Tempat menjual hasil Tingkat perkembangan Klp tani
Dini Pemula Madia Utama Total
Tengkulak 23 40 16 2 81
Pedagang menengah 11 75 107 14 207
Pedagang besar 1 31 60 10 102
Total 35 146 183 26 390

Jawab :
Ho : tidak ada hubungannya antara tingkat perkembangan klp tani dengan tempat menjual
hasil usaha tani
Ha : adanya hubungan antara tingkat perkembangan klp tani dengan tempat menjual hasil
usaha tani
 = 0,05

Tabel : analisis uji Koefisien Korelasi (C) terhadap tingkat perkembangan kelompok
tani dengan tempat menjual hasil
Tingkat perkembangan klp tani
Tempat menjual hasil
Dini Pemula Madya Utama Total
Tengkulak 23 (7,3) 40 (30,3) 16 (38,0) 2 (5,4) 81
Pedagang menengah 11 (18,6) 75 (77,5) 107 (97,1) 14 (13,8) 207
Pedagang besar 1 (9,1) 31 (38,2) 60 (47,9) 10 (6,8) 102
Total 35 146 183 26 390

Tolak Ho

B. Koefisien Korelasi Peringkat Spearman (rs)

Uji ini diperkenalkan oleh oleh Spearman pada tahun 1904. Sampai sekarang, diantara uji
korelasi non parametrik, korelasi Spearman yang paling luas penggunaannya.
Asumsi-asumsi:
1. Data merupakan sampel acak, yang terdiri dari n pasangan hasil pengamatan, baik
numerik maupun non numerik.
2. Pasangan data hasil pengamatan dilambangkan dengan Xi dan Yi
3. Setiap X ditetapkan peringkat relatifnya terhadap semua nilai X lain yang teramati, dari
yang terkecil sampai terbesar
Jurusan Sosial Ekonomi Pertanian Fakultas Pertanian Unsri 106
-Modul 11-
 Modul Kuliah Statistik Bidang Sosek (PPK 324)

4. Setiap Y ditetapkan peringkat relatifnya terhadap semua nilai Y lain yang teramati, dari
yang terkecil sampai terbesar
5. Jika terdapat angka sama, baik pada X maupun Y, maka angka sama tersebut diberi
peringkat yang sama, yang merupakan peringkat rata-rata dari angka sama tersebut.
6. Jika data bukan numerik, maka data tersebut harus dapat diperingkat.
Hipotesis :
1. Dua arah
Ho : kedua variable bebas
Ha : kedua variable berhubungan (korelasi) positif atau negatif
Bila rshit  rs(/2)(n) Tolak Ho (Tabel A.19. Daniel)
2. Satu arah
Ho : Kedua variable bebas
Ha : Ada korelasi positif antara kedua variabel
Bila rs hit  rs(n) Tolak Ho
3. Satu arah
Ho : Variabel bebas
Ha : Ada korelasi negatif antara kedua variabel
Bila rshit  rs(n) Tolak Ho
 Korelasi Positif ( langsung) :
terjadi bila nilai X yang besar cenderung berpasangan dengan nilai-nilai Y yang
besar (demikian juga sebaliknya).
Nilai koefisien korelasinya mendekati 1.
 Korelasi Negatif (Invers):
Terjadi bila nilai X yang besar cenderung berpasangan dengasn nilai-nilai Y yang
ecil (atau sebaliknya).
Nilai koefisien korelasinya negatif dan mendekati –1

 Tidak ada Korelasi

Terjadi bila nilai X yang besar mempunyai kecendrungan yang sama untuk
berpasangan baik dengan nilai yang besar maupun Y yang kecil.
Nilai koefisien korelasinya 0.
Rumus :

rs =

dimana:
rs = adalah statistik untuk koefisien korelasi Spearman
di = adalah selisih peringkat pengamatan masing-masing X dan Y
R = adalah peringkat nilai data, baik untuk X maupun Y

Contoh:
Seorang peneliti tertarik untuk mengetahui apakah ada korelasi langsung atau positif antara
tingkat adopsi teknologi yang dilakukan petani dalam usahataninya dengan pendapatan
usahatani yang diterima. Peneliti ini mengambil sampel sebanyak 14 orang petani,
kemudian mencatat skor adopsi teknologinya dan tingkat pendapatan masing-masing.
Data hasil pencatatan tersebut disajikan pada tabel berikut.
Tabel: Data tingkat adopsi teknologi usaha tani dengan rata-rata pendapatan petani
perbulan di suatu desa
Jurusan Sosial Ekonomi Pertanian Fakultas Pertanian Unsri 107
-Modul 11-
 Modul Kuliah Statistik Bidang Sosek (PPK 324)

n Skor tk teknologi UT Pendapatan rata-rata/bulan(xRp1000)

1 43 89,7
2 31 74,4
3 25 83,5
4 26 77,8
5 29 85,8
6 40 86,5
7 46 89,4
8 31 89,3
9 34 88,0
10 22 82,2
11 20 84,6
12 28 84,4
13 44 86,3
14 27 85,5

Berdasarkan data di atas, ujilah apakah ada korelasi positif antara kedua variabel tersebut,
gunakan  = 0,10.

Jawab :
Ho : Tingkat adopsi teknologi UT dengan pendapatan petani tidak ada korelasi positif
(langsung)
Ha : Adanya korelasi positif (langsung) antara adopsi tingakat teknologi UT dengan
pendapatan petani
 = 0,10
Tabel : Analisis data tingkat adopsi teknologi UT dengan rata-rata pendapatan petani per
bulan di suatu desa
n Tk. adopsi Pendapatan R(Xi) R(Yi) di di2
Tek. UT(X) (Rp000) (Y)
1 43 49,7 12 14 -2 4
2 31 74,4 8,5 1 7,5 56,25
3 25 83,5 3 4 -1 1
4 26 77,8 4 2 2 4
5 29 85,8 7 8 -1 1
6 40 86,5 11 10 1 1
7 46 89,4 14 13 1 1
8 31 89,3 8,5 12 -3,5 12,25
9 34 88,0 10 11 -1 1
10 22 82,2 2 3 -1 1
11 20 84,6 1 6 -5 25
12 28 84,4 6 5 1 1
13 44 86,3 13 9 4 16
14 27 85,5 5 7 -2 4

Jurusan Sosial Ekonomi Pertanian Fakultas Pertanian Unsri 108

-Modul 11-
 Modul Kuliah Statistik Bidang Sosek (PPK 324)

rs(n)= rs0,05(14)= 0,4593

rshit > rs(n) Tolak Ho. Ini berarti petani yang memiliki tingkat adopsi teknologi
usahatani yang tinggi, cenderung memiliki pendapatan yang tinggi juga, demikian juga
sebaliknya.

Catatan :
1. Bila dalam pemberian peringkat terdapat angka sama, dianjurkan menggunakan
rumus:

X2 =

Y2 =

=
2. Bila n>30, gunakan pendekatan sebaran normal:

C. Koefisien Korelasi Peringkat Kendall ()

Uji ini diperkenalkan oleh Kendall pada tahun 1938, walupun gagasan untuk
penggunaannya sudah sejak tahun 1899. Seperti koefisien korelasi Spearman, koefisien
korelasi Kendall juga didasarkan atas peringkat-peringkat hasil pengamatan. Apabila data
yang sama dihitung dengan koefisien korelasi Spearman dan Kendall akan menghasilkan
nilai koefisien yang berbeda, namun akan mengarah pada hasil kesimpulan uji hipotesis
yang sama. Salah satu perbedaan yang penting antara kedua ukuran korelasi ini adalah
kalau koefisien korelasi Kendall ada nilai statistiknya yang dilambangkan dengan ί,
sedangkan untuk koefisien korelasi spearman tidak memiliki. Lambang koefisien korelasi
Kendall dapat dilambangkang dengan τ T atau t.

Asumsi-asumsi:
1. Data merupakan sampel acak yang terdiri atas n pasangan hasil pengamatan (X i, Yi),
baik numerik maupun non numerik
2. Data diukur minimal dengan skala ordinal

Hipotesis :
1. Dua Arah :
Ho : Kedua variabel bebas
Ha : Kedua variabel berkorelasi positif (langsung) atau negatif (invers).

Bila (n) Tolak Ho (Tabel A.20. Daniel)

2. Satu Arah :
Ho : Kedua variabel bebas
Ha : Ada korelasi positif (langsung) antara kedua variabel
Jurusan Sosial Ekonomi Pertanian Fakultas Pertanian Unsri 109
-Modul 11-
 Modul Kuliah Statistik Bidang Sosek (PPK 324)

Bila Tolak Ho
3. Satu Arah :
Ho : Kedua variable bebas
Ha : Ada korelasi negatif (invers) antara kedua variable
Bila Tolak Ho

Rumus :
T dimana: T = Statistik uji koef. Korelasi Kendall
S = Jumlah peringkat sebenarnya
n = Jumlah pasangangan pengamatan
Bila terdapat peringkat sama, maka :
T =
Untuk n>40, mengunakan rumus distribusi normal :

Prosedur Uji:
1. Susunlah pasangan-pasangan (X dan Y) dalam suatu kolom menurut besarnya nilai X
dari nilai X yang paling kecil. Nilai Y mengikuti pasangannya dari nilai X. Cara ini
untuk mendapatkan nilai-nilai X yang berada pada urutan yang sebenarnya.
2. Bandingkan setiap nilai Y dengan nilai Y yang ada di bawahnya. Catat jumlah nilai Y
yang lebih besar dan lebih kecil dari nilai Y yang di atasnya, letakkan di sebelah nilai
Y
3. Cari jumlah selisih total (S) antara urutan Y yang lebih besar dan lebih kecil dari nilai
di atasnya.

Contoh:
Seorang peneliti tertarik untuk menyelediki apakah ada kaitan antara tingkat kerusakan
tanaman karet akibat sadap berat pada perkebunan karet petani plasma dengan latar
belakang petani. Latar belakang petani plasma peserta PIR karet beragam, mulai dari asal
usahatani karet sampai bukan asal usahatani. Peneliti mengambil 30 sampel petani peserta
dari berbagai latar belakang, yang kemudian dicatat tingkat kerusakan tanaman karetnya.
Data hasil penelitian tersebut seperti pada tabel berikut.

Tabel: Skor kerusakan tanaman karet dan latar belakang petani PIR
Latar
Skor kerusakan Latar belakang Skor kerusakan
n n belakang
tan. Karet (X) petani (Y) tan. Karet (X)
petani (Y)

Jurusan Sosial Ekonomi Pertanian Fakultas Pertanian Unsri 110

-Modul 11-
 Modul Kuliah Statistik Bidang Sosek (PPK 324)

1. 6 86 16 16 104
2. 2 107 17 0 98
3. 16 102 18 16 115
4. 5 104 19 2 109
5. 9 104 20 3 94
6. 5 89 21 0 112
7. 8 109 22 10 96
8. 8 109 23 13 113
9. 8 101 24 6 110
10. 4 96 25 6 97
11. 18 113 26 5 107
12. 1 85 27 17 113
13. 9 100 28 16 109
14. 2 94 29 22 98
15. 16 104 30 15 106
Dapatkah disimpulkan bahwa ada korelasi antara kedua variabel rersebut, = 0,05

Jawab:
Ho : Antara tingkat kerusakan tanaman karet dengan latar belakang petani PIR tidak
terdapat korelasi
Ha : Antara tingkat kerusakan tanaman karet dengan latar belakang petani PIR
terdapat korelasi

Tabel: Analisis data kerusakan tanaman karet dan latar belakang petani PIR
No. Skor kerusakan Latar belakang n Skor kerusakan L.belakang
Tan. Karet (X) petani (Y) Tan. Karet (X) petani (Y)
1. 0 98 (20-8) 16 8 109(4-8)
2. 0 112(4-24) 17 8 109(4-8)
3. 1 85(27-0) 18 9 100(10-2)
4. 2 94(23-2) 19 9 104(6-3)
5. 2 107(9-15) 20 10 96(10-0)
6. 2 109(5-16) 21 13 113(1-6)
7. 3 94(21-2) 22 15 106(4-4)
8. 4 96(19-2) 23 16 102(6-1)
9. 5 89(20-1) 24 16 104(4-1)
10. 5 104(10-7) 25 16 104(4-1)
11. 5 107(8-11) 26 16 109(3-1)
12. 6 86(18-0) 27 16 115(0-3)
13. 6 97(15-1) 28 17 113(0-1)
14. 6 110(4-12) 29 18 113(0-1)
15. 8 101(12-3) 30 22 98(0-0)
S = 271-144 =127

Tx = 24

Ty = 19

Jurusan Sosial Ekonomi Pertanian Fakultas Pertanian Unsri 111

-Modul 11-
 Modul Kuliah Statistik Bidang Sosek (PPK 324)

Tolak Ho
Ini berarti terdapat korelasi antara latar belakang peserta dengan tingkat kerusakan
tanaman karetnya. Makin jauh latar belakang usahatani peserta dari usahatani karet, maka
makin tinggi tingkat kerusakan tanaman karet mereka, demikian sebaliknya.

D. Koefisien Korelasi Partial Kendall (xy.z)

Koefisien korelasi parsial mengukur keeratan hubungan antara dua variabel,
dimana pengaruh variabel lain terhadap dua variabel dianggap konstan. Penggunaan
konsep koefisien korelasi parsial lebih baik bila dibandingkan koefisien korelasi sederhana
karena dalam kenyataan hampir tidak pasti hanya dua variabel yang diukur yang
membentuk hubungan tersebut. Pasti ada pengaruh variabel lain yang saling
mempengaruhi kedua variabel yang akan diukur tersebut. Misalnya apabila kita akan
mengukur korelasi antara tingkat pendapatan dan pendidikan formal, maka ada pengaruh
variabel lain yang turut menentukan nilai keeratan hubungan antara kedua variabel
tersebut, seperti pengalaman berusaha atau domisi usaha. Dalam bagian ini hanya
dibicarakan koefisien korelasi parsial order satu, yaitu keeratan hubungan antara dua
variabel dengan mempertimbangkan pengaruh variabel ketiga.

Rumus :

xy.z =

Contoh :
Melanjutkan contoh soal pada koefisien korelasi Kendall di atas bahwa keeratan hubungan
antara latar belakang petani (Y) dengan kerusakan tanaman karet (X) juga dipengaruhi oleh
variabel frekuensi bimbingan yang dilakukan (Z). Data yang dikumpulkan untuk ketiga
variabel disajikan pada tabel berikut.

Tabel : Skor kerusakan tanaman karet (X) dan latar belakang peserta (Y) serta frekuensi
bimbingan (Z)
Skor Latar Frek.bi Skor Latar Frek.
No kerusakan belakang mb(Z) n kerusakan belakan Bimb.

Jurusan Sosial Ekonomi Pertanian Fakultas Pertanian Unsri 112

-Modul 11-
 Modul Kuliah Statistik Bidang Sosek (PPK 324)

tan Karet (X) (Y) tan karet(X) g (Y) (Z)

1. 6 86 8 16 16 104 4
2. 2 107 10 17 0 98 24
3. 16 102 4 18 16 115 9
4. 5 104 4 19 2 109 13
5. 4 104 6 20 3 94 14
6. 5 89 7 21 0 112 19
7. 8 109 6 22 10 96 14
8. 8 109 6 23 13 113 14
9. 8 101 6 24 6 110 2
10. 4 96 11 25 6 97 7
11. 18 113 3 26 5 107 6
12. 1 85 12 27 17 113 5
13. 9 100 5 28 16 109 3
14. 2 94 11 29 22 98 3
15. 16 104 2 30 15 106 1

Jawab
Dik : xy = 0,31
Dit : zy = ….? dan zx =…?
Tabel: Analisis korelasi partial Kendall antara X dan Z
n x z s n x z s
1 0 19 (1-28) 16 15 6 (3-9)
2 0 24 (0-28) 17 8 6 (3-9)
3 1 12 (4-23) 18 8 5 (4-7)
4 2 10 (6-20) 19 9 6 (3-8)
5 2 11 (5-20) 20 10 14 (0-9)
6 2 13 (3-23) 21 13 14 (0-9)
7 3 14 (0-22) 22 15 1 (8-0)
8 4 11 (2-20) 23 16 2 (7-0)
9 5 4 (13-0) 24 16 3 (4-2)
10 5 6 (6-14) 25 16 4 (2-2)
11 5 7 (4-15) 26 16 4 (2-2)
12 6 2 (16-1) 27 16 9 (0-3)
13 6 7 (4-130 28 17 5 (0-2)
14 6 8 (3-13) 29 18 3 (0-0)
15 9 6 (3-9) 30 20 3 (0-0)

Tabel: Analisis korelasi partial Kendall antara Y dan Z

n y z s n y z s

Jurusan Sosial Ekonomi Pertanian Fakultas Pertanian Unsri 113

-Modul 11-
 Modul Kuliah Statistik Bidang Sosek (PPK 324)

1 85 12 (6-23) 16 114 4 (10-4)

2 86 8 (10-18) 17 104 6 (5-5)
3 89 7 (10-16) 18 106 1 (12-0)
4 94 11 (6-19) 19 107 6 (5-4)
5 94 14 (2-21) 20 107 10 (3-7)
6 96 11 (5-19) 21 109 3 (7-0)
7 96 14 (2-20) 22 109 6 (4-3)
8 97 7 (6-16) 23 109 6 (4-3)
9 98 3 (16-3) 24 109 13 (2-4)
10 98 24 (0-20) 25 110 2 (0-5)
11 100 5 (10-9) 26 112 19 (0-4)
12 101 6 (5-8) 27 113 3 (3-0)
13 102 4 (10-5) 28 113 5 (0-2)
14 104 2 (14-1) 29 113 14 (0-1)
15 104 4 (9-4) 30 115 9 (0-0)

SXZ = 106 – 300 = -194

TX = 24 TY = 24

SYZ = 165 – 245 = -80

TX = 19 TZ = 24

E. Koefisien Konkordansi Kendall (W)

Pada analisis korelasi Spearman dan Kendall, pengukuran keeratan hubungan yang
terjadi antara dua variabel, walaupun pada korelasi parsial Kendall meliputi tiga variabel.
Kedua analisis korelasi tersebut tidak menyediakan alat analisis untuk mengukur korelasi
apabila lebih dari dua kelompok atau variabel dengan lebih dari dua variabel lainnya.
Analisis koefisien Konkordansi Kendall menyediakan alat analisis yang tidak dapat
dilakukan oleh korelasi Spearman dan Kendall tersebut.
Asumsi-asumsi:
1. Data terdiri dari m himpunan hasil pengamatan atau pengukuran yang lengkap terhadap
n benda atau individu
2. Skala pengukuran yang digunakan paling tidak skala ordinal
3. Data yang dikumpulkan boleh dalam bentuk peringkat-peringkat. Apabila tidak dalam
bentuk peringkat, datanya bisa dibuat peringkat.
Hipotesis :
Ho = Tidak ada korelasi diantara variabel
Jurusan Sosial Ekonomi Pertanian Fakultas Pertanian Unsri 114
-Modul 11-
 Modul Kuliah Statistik Bidang Sosek (PPK 324)

Ha = ada korelasi diantara variabel

Rumus :

Dimana :
n = banyaknya individu atau benda yang diperingkat
m = banyaknya kumpulan peringkat
Rj= jumlah peringkat-peringkat yang ditetapkan bagi benda atau
individu-individu ke-j

Bila terdapat peringkat yang sama,maka :

Bila Whit > Wα(m,n) Tolak Ho (untuk m maks 15 dan n maks 5)

Namun bila m > 15 dan n > 5, gunakan pendekatan khikuadrat :

Bila λ2hit ≥ λ2(1-α)(db) Tolak Ho

Contoh:
Di Sumatera Selatan terdapat beberapa perusahaan perkebunan seperti karet, kelapa
sawit,tebu, coklat, lada dan teh. Pada setiap perusahaan terdapat tiga golongan karyawan,
yaitu karwayan tetap, harian tetap dan harian tidak tetap. Seorang peneliti tertarik untuk
melihat apakah ada hubungan (korelasi) antara gaji rata-rata karyawan tersebut dengan
jenis perusahaan perkebunan. Data gaji rata-rata tiap golongan karyawan untuk tiap
perusahaan perkebunan dapat dilihat pada tabel berikut.

Tabel: Hasil penelitian gaji rata-rata karyawan pada beberapa perusahaan perkebunan di
Sumsel per tahun
Perusahaan Gaji rata rata karyawan (Rp juta/bulan)
Perkebunan Tetap Harian tetap Harian tidak tetap
Karet 6,25 3,50 1,80
Kelapa sawit 5,05 3,05 1,50
Tebu 5,50 3,30 1,65
Coklat 5,00 3,00 2,00
Lada 6,00 3,20 1,25
The 5,75 3,53 1,70
Berdasarkan data di atas, dengan menggunakan α = 0,05, coba buktikan adakah korelasi
antara gaji rata-rata karyawan perusahaan dengan jenis perusahaan perkebunan.
Jawab:
Ho : tidak ada korelasi antara rata rata jenis karyawan dengan jenis perusahaan
Jurusan Sosial Ekonomi Pertanian Fakultas Pertanian Unsri 115
-Modul 11-
 Modul Kuliah Statistik Bidang Sosek (PPK 324)

perkebunan
Ha : ada korelasi antara gaji rata rata jenis karyawan dengan jenis perusahan
perkebunan.
α = 0,05

Tabel analisis konkordansi Kendall

Perusahaan Gaji rata-rata karyawan per tahun (Rp juta) Rj2
perkebunan Tetap Harian tetap Harian tidak tetap
Karet 6,25 (6) 3,50 (5) 1,80 (5) 16
Kelapa sawit 5,05 (2) 3,05 (2) 1,50 (2) 6
Tebu 5,50 (3) 3,30 (4) 1,65 (3) 10
Coklat 5,00 (1) 3,00 (1) 2,00 (6) 8
Lada 6,00 (5) 3,20 (3) 1,25 (1) 9
The 5,75 (4) 3,53 (6) 1,70 (4) 14

Dari soal, m = 3 dan n = 6, maka :

= 3 (5) (0,4540)
= 6,81

Terima Ho

Berarti, tidak ada korelasi antara gaji rata-rata karyawan dengan jenis perkebunan yang
diusahakan. Atau tidak ada kecenderungan bahwa pada perusahaan perkebunan tertentu
gaji karyawannya cenderung lebih baik atau lebih buruk.

Soal Latihan:
1. Suatu studi ingin melihat adakah korelasi positif antara tingkat pendidikan formal
seorang petani dengan penerapan teknologi di bidang pertanian. Untuk itu
dikumpulkan data mengenai kedua variabel tersebut dengan menanyai 15 orang petani
sampel. Kemudian data tersebut diberikan skor, dimana hasilnya disajikan dalam tabel
berikut:

Responden Skor tingkat pendidikan Skor penerapan teknologi

ke formal (X) (Y)
1. 45 80
Jurusan Sosial Ekonomi Pertanian Fakultas Pertanian Unsri 116
-Modul 11-
 Modul Kuliah Statistik Bidang Sosek (PPK 324)

2. 26 60
3. 20 65
4. 40 76
5. 36 70
6. 23 63
7. 25 63
8. 35 72
9. 38 75
10. 26 50
11. 30 68
12. 35 73
13. 42 75
14. 37 70
15. 46 62

Berdasarkan data di atas, lakukan pengujian dengan menggunakan pendekatan

Koefisien Korelasi Spearman dan Kendall ( = 0,05). Berdasarkan hasil uji tersebut,
dapatkah disimpulkan bahwa, memang terdapat korelasi yang langsung antara tingkat
pendidikan formal petani dengan penerapan teknologi pertanian.

2. Suatu studi dilakukan di suatu desa pertanian terhadap 281 responden untuk melihat
keterkaitan antara luas penguasaan lahan usaha tani suatu keluarga petani dengan
jumlah anggota keluarga yang dimilikinya. Luas penguasaan lahan dikelompokkan ke
dalam lima kelompok, demikian juga jumlah anggota keluarga dibuat menjadi empat
kelompok. Data hasil studi tersebut sebagai berikut :
Jumlah anggota keluarga
Penguasaan lahan Usahatani (ha) 1-3 4-6 7-10 >10 Jumlah
0,5 5 11 13 21 50
0,5 - 1,00 3 16 27 9 55
1,1 - 1,5 10 26 20 22 78
1,6 - 2,0 14 15 11 8 48
> 2,0 20 19 7 4 50
Jumlah 52 87 78 64 281

Dari data di atas apakah memberikan cukup bukti kepada kita bahwa luas penguasaan
lahan usaha tani oleh keluarga petani saling berhubungan dengan menggunakan  =
0,5

Jurusan Sosial Ekonomi Pertanian Fakultas Pertanian Unsri 117

-Modul 11-