Pengukuran Asosiasi (Hubungan Variabel) 2 kelompok sampel dengan uji Korelasi dan

Regresi

Tujuan Pembelajaran

1. Siswa mengetahui penggunaan Pengukuran Asosiasi (Hubungan Variabel) 2

kelompok sampel dengan uji Korelasi dan regresi
2. Siswa mengetahui cara melakukan Pengukuran Asosiasi (Hubungan Variabel) 2
kelompok sampel dengan uji Korelasi dan regresi
3. Siswa mengetahui cara membaca dan menyimpulkan hasil Pengukuran Asosiasi
(Hubungan Variabel) 2 kelompok sampel dengan uji Korelasi dan regresi

Sekarang akan dibahasa uji statistik Korelasi atau asosiasi (hubungan) antara variabel-variabel
yang diminati. Di sini akan disorot dua aspek untuk analisis korelasi, yaitu apakah data sampel
yang ada menyediakan bukti cukup bahwa ada kaitan antara variabel-variabel dalam populasi
asal sampel. Dan yang kedua, jika ada hubungan, seberapa kuat hubungan antarvariabel tersebut.
Keeratan hubungan itu dinyatakan dengan nama koefisien korelasi (atau bisa disebut korelasi
saja).

Dalam banyak buku statistik, korelasi biasanya dibahas bersama-sama dengan analisis regresi.
Namun SPSS menempatkan korelasi dalam menu tersendiri, walapun dalam pembahasan regresi,
besaran korelasi tetap ditampilkan. Oleh karena itu, topik korelasi dibahas ‘mendahului’
pembahasan tentang analisis regresi.

Dalam SPSS, pembahasan tentang korelasi ditempatkan pada menu CORRELATE, yang
mempunyai submenu:

1. BIVARIATE
Pembahasan mengenai besar hubungan antara dua (bi) variabel.
a. Koefisien korelasi bivariate/product moment Pearson. Koefisien ini mengukur keeratan
hubungan di antara hasil-hasil pengamatan dari populasi yang mempunyai dua varian
(bivariate). Perhitungan ini mensyaratkan bahwa populasi asal sampel mempunyai dua varian
dan berdistribusi normal. Korelasi Pearson banyak digunakan untuk mengukur korelasi data
interval atau rasio.

b. Korelasi peringkat Spearman (Rank-Spearman) dan Kendall. Koefisien ini lebih mengukur
keeratan hubungan antara peringkat-peringkat dibadingkan hasil pengamatan itu sendiri
(seperti pada korelasi Pearson). Perhitungan korelasi ini bisa digunakan untuk menghitung
koefisien korelasi pada data ordinal dan penggunaan asosiasi pada statistik nonparametrik.

2. PARTIAL
Pembahasan mengenai hubungan linier antara dua variabel dengan melakukan kontrol
terhadap satu atau lebih variabel tambahan (disebut variabel kontrol)
Penjelasan mengenai kedua Uji Korelasi tersebut adalah sebagai berikut:

1. KORELASI BIVARIAT

Ingin diketahui apakah ada korelasi antara usia bayi dan berat badan bayi. Setelah dilakukan
penelitian, berikut adalah data yang diperoleh peneliti.

No. USIA/ BERAT BADAN/

BULAN Kg
1 2 4,50
2 2 5,00
3 3 5,50
4 3 5,70
5 3 5,50
6 2 4,00
7 4 7,00
8 5 7,50
9 4 7,20
10 4 7,00
11 5 7,60
12 6 8,00
13 6 8,10
14 5 7,00
15 5 7,20
16 4 6,60
17 4 6,80
18 5 7,00
19 7 9,00
20 7 8,80
21 8 9,50
22 8 10,00
23 8 9,00
24 8 9,50
25 7 9,00
26 6 8,60
28 4 6,00
29 7 8,00
30 5 7,50

Untuk menguji data di atas, digunakan uji statistik korelasi “Pearson product moment”. Agar
dapat diuji dengan Pearson, prasayarat yang harus dipenuhi adalah data berdistribusi normal.
Untuk itu, data harus diuji normalitasnya. Lakukan uji normalitas untuk usia dan Berat seperti
yang telah dicontohkan pada praktikum 1. Entri data pada SPSS dengan variabel name: USIA
dan BERAT. Kemudian lanjutkan dengan uji normalitas. Hasil uji normalitas variabel Usia
adalah sebagai berikut:
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
USIA ,148 30 ,094 ,932 30 ,071
a. Lilliefors Significance Correction

Dari hasil tersebut, diketahui bahwa nilai signifikansi baik Kolmogorov-Smirnov maupun
Shapiro-Wilk adalah 0.094 dan 0.071, keduanya lebih besar daripada 0.05, oleh karena itu dapat
disimpulkan bahwa data pada variabel usia berdistribusi normal.

Sedangkan hasil uji normalitas untuk variabel Berat adalah sebagai berikut:
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
BERAT ,117 30 ,200* ,970 30 ,581
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction

Dari hasil tersebut diketahui nilai Signifikansi Kolmogorov-Smirnov dan Shapiro-Wilk adalah
0.2 dan 0.581, keduanya lebih besar daripada 0.05, sehingga dapat disimpulkan bahwa data pada
variabel Berat berdistribusi normal.
Karena data berdistribusi normal, maka dapat dilanjutkan ke uji korelasi pearson. Langkah-
langkahnya adalah sebagai berikut:

1. Setelah data di entri dan diuji normalitasnya, maka dilanjutkan dengan uji korelasi Pearson.
Klik “Analyze” pilih “Correlate” dan pilih “Bivariate” sebagai berikut:

2. Setelah dipilih “Bivariate, akan muncul sebagai berikut:

3. Kemudian, masukkan variabel “usia” dan “berat” ke dalam kotak “Variables”. Pada
“Correlation Coefficients” pilih “Pearson”. Lalu klik OK.
4. Hasil uji korelasinya adalah sebagai berikut:
Correlations

USIA BERAT
USIA Pearson Correlation 1,000 ,966**
Sig. (2-tailed) , ,000
N 30 30
BERAT Pearson Correlation ,966** 1,000
Sig. (2-tailed) ,000 ,
N 30 30
**. Correlation is significant at the 0.01 level
(2-tailed).

Hipotesis:
Ho : tidak terdapat korelasi antar 2 variabel
H1 : terdapat korelasi antar 2 variabel
Pengujian hipotesis:
Jika p > 0.05 maka H0 diterima dan H1 ditolak
Jika p < 0.05 maka Ho ditolak dan H1 diterima

Keeratan hubungan antara variabel satu dengan yang lainnya dilihat dari nilai Pearson
correlation. Penafsiran koefisien korelasi adalah sebagai berikut:

Interval Koefisien Tingkat Hubungan

0.00 – 0.199 Sangat lemah
0.20 – 0.399 lemah
0.40 – 0.599 Sedang
0.60 – 0.799 Kuat
0.80 - 1 Sangat Kuat

Dari hasil tersebut diketahui bahwa:

a. Nilai p (lihat Sig. 2 tailed) antara variabel usia dan berat adalah: 0.00 < 0.05, sehingga Ho
ditolak dan H1 diterima, atau terdapat korelasi antara kedua variabel.
b. Nilai r Pearson (lihat Pearson Correlation) adalah 0.966, ini menunjukkan bahwa korelasi
antara kedua variabel adalah sangat kuat.

2. KORELASI SPEARMAN-KENDALL

Jika uji korelasi bivariat Pearson yang telah dibahas digunakan untuk mengetahui korelasi
untuk data kuantitatif (skala interval atau rasio), korelasi rank Spearman dan Kendall bisa
digunakan untuk pengukuran korelasi pada statistik nonparametrik (data bisa ordinal). Kedua
alat uji tersebut pada awalnya akan melakukan pemeringkatan (rangking) terhadap data yang
ada, kemudian baru melakukan uji korelasi.

Walaupun pada prinsipnya sama, namun terdapat perbedaan di antara kedua metode, yaitu
korelasi Kendall (diberi simbol τ) menunjukkan dugaan koefisien peringkat untuk parameter
populasi, sementara korelasi Spearman (diberi simbol r) tidak memberikan dugaan mengenai
koefisien peringkat suatu populasi.

Pada umumnya hasil koefisien korelasi Kendall dan Spearman tidak jauh berbeda, sehingga
dalam praktek Kendall dan Spearman dapat dipilih secara bebas. Namun demikian, distribusi
Kendall lebih cepat mendekati distribusi normal di banding distribuasi Spearman, sehingga jika
digunakan pendekatan distribusi normal, maka Kendall lebih tepat untuk dipergunakan.

Sebagai contoh ingin diketahui apakah ada korelasi antara prestasi mahasiswa FK dengan IQ
dan Motivasi untuk menjadi dokter. Motivasi dan nilai IQ di ukur dalam range, dari yang jelek
sekali (nilai 0) hingga yang baik sekali (nilai 100). Nilai IQ dan Motivasi didapat dari tes IQ
dan psikotest saat mahasiswa masuk FK.
Berikut adalah sebagian hasilnya:

Mahasiswa Prestasi IQ Motivasi

1 84 110 85
2 85 100 82
3 87 90 84
4 92 110 91
5 91 100 83
6 96 110 88
7 83 95 82
8 87 90 86
9 88 100 84

Langkah analisisnya sama, yakni: setelah data di entri, klik Analyze, kemudian Correlate,
kemudian pilih Bivariate sehingga di layar muncul:
Selanjutnya masukkan nama variabel ke dalam kolom Variables. Pada Correlation coeficient klik
Kendall’s tau b dan Spearman. Output analisis statistiknya adalah sebagai berikut:

Correlations

PRESTASI IQ MOTIVASI
Kendall's tau_b PRESTASI Correlation Coefficient 1,000 ,345 ,435
Sig. (2-tailed) , ,227 ,112
N 9 9 9
IQ Correlation Coefficient ,345 1,000 ,350
Sig. (2-tailed) ,227 , ,225
N 9 9 9
MOTIVASI Correlation Coefficient ,435 ,350 1,000
Sig. (2-tailed) ,112 ,225 ,
N 9 9 9
Spearman's rho PRESTASI Correlation Coefficient 1,000 ,409 ,620
Sig. (2-tailed) , ,274 ,075
N 9 9 9
IQ Correlation Coefficient ,409 1,000 ,450
Sig. (2-tailed) ,274 , ,224
N 9 9 9
MOTIVASI Correlation Coefficient ,620 ,450 1,000
Sig. (2-tailed) ,075 ,224 ,
N 9 9 9

Hipotesis:
Ho : tidak terdapat korelasi antar 2 variabel
H1 : terdapat korelasi antar 2 variabel
Pengujian hipotesis:
Jika p > 0.05 maka H0 diterima dan H1 ditolak
Jika p < 0.05 maka Ho ditolak dan H1 diterima

Keeratan hubungan antara variabel satu dengan yang lainnya dilihat dari nilai Pearson
correlation.
Dari hasil di atas diketahui bahwa angka probabilitas (kolom Sig. (2 tailed)) pada Kendall dan
Spearman adalah lebih besar dari 0.05, sehingga dapat dinyatakan bahawa tidak ada hubungan
antara prestasi dengan IQ dan prestasi dengan Motivasi.

3. KOEFISIEN KONTIGENSI

Koefisienkontigensi digunakan untuk menghitung hubungan antara variabel bila datanya

berbentuk nominal. Oleh karena itu, jenis uji ini tergolong dalam non parametrik. Uji ini
mempunyai kaitan erta dengan chi kuadrat yang digunakan untuk menguji komparasi k sampel
independen sebab dalam koefisien kontigensi terdapat rumus Chi kuadrat.
Program SPSS analisis koefisien kontigensi terdapat dalam menu tabulasi silang (cross tab).

Sebagai contoh, peneliti ingin mengetahui hubungan antara nilai pengetahuan mengenai
penyebaran HIV AIDS pada tingkat pendidikan yang berbeda, dengan data sebagai berikut:

Nilai Pendidikan
50,00 SD
50,00 SD
60,00 SD
60,00 SD
40,00 SD
40,00 SD
58,00 SD
58,00 SD
60,00 SD
60,00 SD
75,00 SMP
76,00 SMP
70,00 SMP
60,00 SMP
70,00 SMP
70,00 SMP
75,00 SMP
75,00 SMP
78,00 SMP
70,00 SMP
79,00 SMA
79,00 SMA
80,00 SMA
80,00 SMA
80,00 SMA
80,00 SMA
85,00 SMA
85,00 SMA
85,00 SMA
 84,00 SMA
90,00 PT
95,00 PT
96,00 PT
96,00 PT
98,00 PT
99,00 PT
97,00 PT
96,00 PT
98,00 PT
97,00 PT

Langkah ujinya adalah sebagai berikut:

1. Entry data, dengan cara buka menu SPSS, kemudian seperti biasa, Klik Variabel name,
kemudian isikan ‘prestasi’ pada kolom name 1 dan ‘pendidik’ pada kolom name 2. Pada
kolom value label variabel pendidik, isikan value sperti biasa, 1 untuk SD, 2 untuk SMP, 3
untuk SMA dan 4 untuk PT.

2. Selanjutnya, Klik “Analyze”, kemudian pilih “Descriptive statistics” lalu pilih “Crosstabs...”
maka akan muncul seperti berikut:
3. Selanjutnya, masukkan variabel “prestasi” ke Row(s)” dan Pendidik ke “Colom(s)”.
Kemudian, Klik “statistics...” maka akan muncul sebagai berikut:

Lalu pada kolom Nominal, pilihlah “Contingency coeficient”, kemudian klik continue untuk
kembali ke crosstab, lalu klik OK. Hasil analisisnya adalah sebagai berikut:
Symmetric Measures

Value Approx. Sig.

Nominal by Nominal Contingency Coefficient ,860 ,000
N of Valid Cases 40
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.

Ada atau tidaknya hubungan antara dua variabel nominal dapat diketahui dari nilai
probabilitas. Pemaknaannya adalah:
Hipotesis:
Ho : tidak ada hubungan anatar kedua variabel
H1 : Ada hubungan antara kedua variabel
Pengujian hipotesis:
Jika p > 0.05 maka H0 diterima dan H1 ditolak
Jika p < 0.05 maka Ho ditolak dan H1 diterima
Pemaknaan hasil koefisien kontigensi adalah sama dengan pemaknaan keeratan hubungan
pearson product moment.
Dari hasi di atas diketahui bahwa:
Nilai p=0.00 < 0.05 sehingga dapat disimpulkan bahwa ada hubungan antara tingkat
pendidikan dengan pengetahuan tenatang HIV AIDS.
Nilai Coeficient Contingensi adalah 0.860, sehingga hubungan kedua variabel tersebut
adalah sangat kuat/ sangat erat.