BAB 7

UJI CHI SQUARE DAN UJI KORELASI BIVARIAT

Capaian Pembelajaran
Mahasiswa mampu mengetahui dan memahai serta mengaplikasikan pengetahuan mengenai
analisis Chi Square dan korelasi

Indikator Capaian Pembelajran

a. Kemampuan mengetahui konsep dan penggunaan uji chi square dan korelasi digunakan pada
analisis statistik
b. Kemampuan memahami konsep analisis dan uji chi square dan korelasi
c. Kemampuan mengaplikasikan mengnai analisis uji chi quare dan korelasi

A. Uji Chi Square

Uji chi square atau juga disebut dengan kai kuadrat merupakan uji statistik non parametric
yang digunakan untuk mengetahui kuatnya hubungan antara kedua variable nominal atau
kategorik (C=coefficient contingency). Salah satu software yang cukup familiar dalam analisis
uji chi square dengan menggunakan software SPSS. Pelaksaaan anallisis uji chi square
terhadap penelitian dapat menggunakan fasilitas Crosstab (tabulasi silang) pada software
SPSS.
Tujuan dari analisis uji chi square adalah untuk mengetahui hubungan antara variabel-
variabel yang terdapat pada baris dan kolom. Jenis data yang dapat digunakan dalam uji chi
square harus berupa data frekuensi periodik nominal atau ordinal (data kualitatif) atau dapat
berupa data skala nominal atau ordinal. Uji chi square adalah bagian dari analisis statistik non-
parametrik. Oleh karena itu, penggunaan uji chi-square untuk analisis data penelitian tidak
memerlukan asumsi persyaratan normalitas data.
Terdapat beberapa ketentuan dalam melakukan analisis dengan menggunakan uji chi quare
yaitu:
a. Kelompok yang dibandingkan pada variable independen
b. Variable yang dihubungkan kategorik dengan kategorik
c. Analisis chi square tidak pernah negative, disebabkan selisih dari frekuensi pengamatan
dan frekuensi harapan dikuatdratkan
d. Ukuran sampel tidak mempengaruhi ketajaman dan distribusi pada banyaknya kategori
e. Hasil distribusi chi square bersifat lebih mengarah ke nilai positif yang menunjukan
tinkatan jumlah derajat bebas maka semakin mendekati distribusi normal.
f. Uji statistik chi square dapat digunakan untuk menguji hipotesis bila data populasi terdiri
dari 2 atau lebih kelas dan data berbentuk nominal.

Untuk menghitung nilai chi square dapat dilakuka analisis dengan menggunakan rumus
dibawah ini:
X2= Σ ( O –E )2
E
O : nilai Observasi (pengamatan)
 E : nilai Expected (harapan)
Df = (b-1) (k-1) df=degree of freedom
b : jumlah baris
k : jumlah kolom
Contoh Kasus
Diketahui seorang manajer rumah sakit swasta di Banyumas ingin mengetahui
tingkatan perbedaan kedisiplinan kerja antara dokter laki-laki dan perempuan. Kedisiplinan
pekerjaan diukur berdasarkan absensi kehadiran setiap hari selama 1 bulan dimana
diasumsikan dalam 1 bulan terdapat 26 hari kerja efektif. Berdasarkan hasil pengamatan
diperoleh data sebagai berikut:

Tabel 1. Data contoh kasus analisis statistik dengan chi square

Jenis Jenis
ID Kedisiplinan ID Kedisiplinan
Kelamin Kelamin
1 Laki-laki 26 16 Perempuan 23
2 Laki-laki 26 17 Perempuan 23
3 Laki-laki 26 18 Perempuan 23
4 Laki-laki 26 19 Perempuan 23
5 Laki-laki 25 20 Perempuan 23
6 Laki-laki 25 21 Perempuan 24
7 Laki-laki 24 22 Perempuan 26
8 Perempuan 23 23 Perempuan 26
9 Perempuan 23 24 Laki-laki 26
10 Perempuan 23 25 Laki-laki 26
11 Perempuan 23 26 Laki-laki 26
12 Perempuan 24 27 Laki-laki 26
13 Perempuan 24 28 Laki-laki 26
14 Perempuan 22 29 Laki-laki 25
15 Perempuan 23 30 Laki-laki 25

Pada tabel di atas terlihat bahwa jenis skala data untuk variabel gender adalah kategoris,
sedangkan untuk variabel disiplin skala datanya adalah rasio.

Solusi Penyesaian
Ubah Ukuran Data dari rasio ke kategorik, langkah-langkahnya yaitu sebagai berikut:
a. Buka program SPSS lalu buat variabel jenis kelamin dan disiplin
b. Isikan data pada tabel pada program SPSS. Sebelum memasukkan data ke SPSS, terlebih
dahulu kita mengubah cara memasukkan data ke SPSS dimana jenis kelamin laki-laki
dikodekan sebagai 2, kemudian kode yang dimasukkan ke dalam program SPSS adalah
kode.
c. Setelah diisi datanya maka akan terlihat seperti gambar berikut:
 Gambar 1. Datasheet sampel data yang sudah diinput ke dalam SPSS

d. Setelah data sudah masuk ke dalam program SPSS. Kemudian langkah selanjutnya adalah
memberi nama jenis kelamin dengan menunjuk 1 sebagai laki-laki dan 2 sebagai
perempuan dan mengubah skala data variabel disiplin di menu utama SPSS, memilih
Transform lalu Recode ke variabel lain. Seperti yang ditunjukkan gambar berikut:

Gambar 2. Tahapan pembuatan kode ulang terhadap variable penelitian

Kemudian rubah kode kedisiplinan dengan 1 adalah disiplin dan 2 tidak disiplin. Seperti
pada gambar berikut:
 Gambar 3. Tahapan memasukan identitas variabel

Pada variable jenis kelamin beri label untuk 1 adalah laki-laki dan 2 adalah perempuan dan
variable kategori kedisiplinan diberi label 1 adalah disiplin dan 2 adalah tidak disiplin.
Seperti pada gambar berikut:

Gambar 4. Tahapan input identitas variable dengan menggunakan value labels

e. Setelah data dikategorikan. Akan terlihat seperti gambar berikut:
 Gambar 5. Tampilan variable yang telah diberikan identitas baru

f. Kemudian lakukan analisis data. Dari menu utama spss pilih Analize kemudian sub menu
Deskriptif statistik kemudian crosstabs. Seperti pada gambar berikut:

Gambar 6. Tahapan analisis data dengan menus deksriptif

g. Setelah itu masukan variable jenis kelamin kedalam kotak rows dan kategori kedisiplinan
kedalam coloumns. Seperti tampak pada gambar berikut:
 Gambar 7. Tahapan input katergori variable penelitian

h. Pilih menu statistik untuk melakukan analisis atau menu yang lain sesuai dengan keinginan.
Pada menu statistik pilih chi square dan risk.

Gambar 8. Identitas checklist analisis statistik dengan crosstabs

i. Hasil analisis akan tampak pada gambar berikut:
CROSSTABS
/TABLES=jeniskelamin BY kategorikedisiplinan
/FORMAT= AVALUE TABLES
/STATISTIK=CHISQ RISK
/CELLS= COUNT
/COUNT ROUND CELL.
Crosstabs
[DataSet

Tabel Case Processing Summary menunjukkan bahwa jumlah sampel yang dianalisis
sebaganyak 30 subjek dengan kategori missing variable tidak ada.

Pada Tabel di atas merupakan hasil analisis tabulasi silang yang menunjukkan bahwa jumlah
total subjek laki-laki sebanyak 14, sedangkan jumlah total subjek perempuan sebanyak 16.
Berdasarkan kategori kedisiplinan, terdapat 11 orang disiplin yang terdiri dari 9 laki-laki dan
2 perempuan, sedangkan pada kategori tidak disiplin terdapat 19 orang yang terdiri dari 5 laki-
laki dan 14 perempuan.

Tabel Chi-square menunjukkan bahwa nilai chi-square 8,623, sedangkan nilai probabilitas
signifikansinya 0,003. Hal ini menunjukkan bahwa jika dibandingkan dengan standar normal
 kemaknaan hipotesisi pada tingkat kemaknaan α = 0,05 dapat disimpulkan bahwa hipotesis nol
ditolak. Ini memberi arti bahwa terdapat perbedaan tingkat kedisiplinan karyawan laki-laki dan
perempuan.

Gambar 9. Hasil analisis data statistik untuk melihat aspek factor resiko
Jika dilihat dari aspek risiko jenis kelamin mempunyai risiko untuk disiplin sebesar 12,6 kali jika
dibandingkan dengan perempuan

B. Uji Korelasi Bivariat Pearson

Studi uji korelasi dilakukan untuk mengetahui derajat keeratan hubungan antara
variabel dengan interprestasi berupa nilai koefisien korelasi. Hubungan pada variable uji
memiliki sifat positif dan negatif. Variabel independent (X) dan variabel dependent (Y) pada
analisis korelasi istilah tersebut tidak dikenal, dikarenakan pada dasarnya hubungan antara
variabel independen dengan variabel dependent sama maknanya dengan hubungan variabel
dependent dengan variabel independent. Oleh karena itu, pada prakteknya kita akan sangat
banyak menjumpai peneliti memberikan nama untuk hubungan variabel independent dengan
variabel depandent. Hal ini bukan sebuah masalah, sebab penamaan tersebut tujuan sebenarnya
hanya sebagai alat bantu agar pembaca lebih mudah memahami arah hubungan yang ingin
disampaikan oleh peneliti dalam penelitiannya.
Derajat hubungan biasanya dinyatakan dengan huruf “r” atau disebut juga dengan
koefisein korelasi sampel yang merupakan penduga bagi koefisien populasi. Sedangkan r2 atau
r square disebut dengan koefisien determinasi (koefisien penentu). Kekuatan korelasi linear
antara variabel yang dihubungkan dapat disajikan dengan rxy yang didefinisikan dengan
rumus:
 Formula tersebut disebut merupakan formula koefisien korelasi momen produk
(Product Moment Karl Pearson). Analisis korelasi bivariat Pearson digunakan untuk menguji
hubungan antara dua variabel yang menggunakan data berskala rasio atau interval.

C. Persyaratan dalam Analisis Korelasi Bivariat Pearson

Terdapat beberapa persyaratan atau asumsi dasar wajin dipenuhi apabila akan diakukan
analisis lanjutan berupa korelasi bivariat Pearson untuk menguji hipotesis penelitian yang kita
lakukan.
1. Data penelitian untuk setiap variabel sekurang-kurangnya berada pada satu rasio atau skala
interval (yaitu, data berupa bilangan real atau data metrik - data kuantitatif). Namun,
analisis ini juga dapat digunakan untuk data kuesioner dengan skala Likert.
2. Data untuk setiap variabel terkait terdistribusi normal.
3. Terdapat hubungan linier antar variabel penelitian.

D. Arti Angka Korelasi (Pearson Correlations)

Koefisien korelasi atau dikenal juga dengan penamaan korelasi Pearson, memiliki nilai
terkecil 1 dan terbesar 1. Untuk ukuran angka ini, nilai 0 berarti tidak ada korelasi sama sekali.
Jika korelasinya 1, maka ada korelasi sempurna. Hal ini menunjukkan bahwa semakin dekat
nilai korelasi Pearson dengan 1 atau 1, maka semakin kuat hubungan antara kedua variabel
tersebut. Sebaliknya jika nilai ro korelasi Pearson mendekati 0, berarti hubungan kedua
variabel semakin melemah. Faktanya, tidak ada penentuan mutlak apakah angka korelasi
tertentu menunjukkan tingkat korelasi yang tinggi atau lemah. Namun, sebagai pedoman
sederhana kita dapat menggunakan yang berikut: jika angka korelasi di atas 0,5 menunjukkan
korelasi yang cukup kuat, sedangkan jika di bawah 0,5 menunjukkan korelasi yang lemah.
Selain ukuran korelasi, tanda korelasi juga mempengaruhi interpretasi hasil dalam analisis ini.
Tanda negatif () pada tabel keluaran SPSS menunjukkan arah yang berlawanan, sedangkan
tanda positif () menunjukkan arah yang sama atau korelasi satu arah.

E. Dasar Keputusan dalam Analisis Korelasi Bivariate Pearson

Ada tiga cara yang dapat kita gunakan sebagai pedoman atau dasar pengambilan keputusan
dalam analisis korelasi bivariat Pearson ini, yaitu:
a. Melihat arti dari Pak (2 ekor). Jika nilai Sig.(2 tailed) < 0 > 0,05 maka tidak ada korelasi.
b. Bandingkan nilai r yang dihitung (korelasi Pearson) dengan nilai r dari tabel product
moment. Jika nilai r hitung > r tabel, maka terdapat korelasi antar variabel. Sebaliknya, jika
nilai r adalah lt; r tabel artinya tidak ada korelasi antar variabel.
c. Lihat tanda (*) pada output program SPSS. Jika terdapat tanda bintang (*) atau (**) pada
nilai korelasi Pearson, maka terdapat korelasi atau korelasi antar variabel dalam analisis.
Sebaliknya, jika tidak ada tanda bintang pada nilai korelasi Pearson, maka tidak ada
korelasi antar variabel yang dianalisis.
Penjelasan: Tanda bintang (*) menunjukkan korelasi dengan arti 1% atau 0,01. Sedangkan
dua tanda bintang (**) menunjukkan korelasi dengan signifikansi 5% atau 0,05.

Contoh kasus:
 Peneliti ingin menguji apakah ada hubungan yang signifikan antara Semangat Belajar dan
Minat Belajar dengan Prestasi Belajar Mahasiswa Kedokteran Gigi. Berikut data penelitian
yang didapat:

No. Responden Semangat (X1) Minat (X2) Prestasi (Y)

1. 75 75 80
2. 60 70 75
3. 65 70 75
4. 75 80 90
5. 65 75 85
6. 80 80 85
7. 75 85 95
8. 80 88 95
9. 65 78 80
10. 60 70 90

F. Langkah-langkah Analisis Korelasi Bivariate Pearson dengan SPSS

a. Buka program SPSS, klik Variable View. Kemudian pada bagian Name tulis X1, X2 dan
Y, pada Desimal ubah dengan angka 0, pada bagian Label tulis Semangat, Minat dan
Prestasi. Di bagian Measure, alihkan ke Scale. Sisanya abaikan.

b. Klik Data View, dan masukkan data Semangat (X1), Minat (X2), dan Prestasi (Y) yang
sudah dipersiapkan.
c. Lakukan uji normalitas data. Klik Analyze → Descriptive statistic→Explore. Masukkan
semua variable (X1, X2, Y) ke dalam dependent list. Selanjutnya klik plots → beri centang
pada normality plots with test dan Histogram → continue→ok

Output SPSS :
Tabel normalitas menunjukkan ketiga variable terdistribusi normal karena nilai
signifikansi ketiga variable > 0,05 pada tes Shapiro-wilk. Oleh karena itu, dilanjutkan ke
uji korelasi Pearson.
d. Langkah uji korelasi Pearson sebagai berikut : Pilih Analyze, lalu klik Correlate, dan klik
Bivariate…

e. Sebuah kotak dialog berjudul Korelasi Bivariat muncul. Masukkan variabel Semangat
(X1), Minat (X2) dan Prestasi (Y) pada kotak variabel. Selanjutnya pada kolom
“Corelation Coefficient” pilih Pearson, kemudian pada kolom “Significant Test” pilih
Two-tailed dan Flag Significant Correlations dari tanda tersebut, terakhir klik OK
untuk menyelesaikan perintah.
 f. Akan muncul tampilan output SPSS “Correlations” yang akan diinterpretasikan.

G. Interpretasi Analisis Korelasi Bivariate Pearson

Berdasarkan tabel hasil di atas, kesimpulan mengacu pada tiga dasar pengambilan
keputusan dalam analisis korelasi bivariat Pearson di atas.
a. Berdasarkan nilai signifikansi Sig.(2-tailed): dari tabel output sebelumnya diketahui
bahwa nilai Sig.(2-tailed) antara semangat (X1) dan prestasi (Y) adalah 0,120 > 0,05 yang
artinya bahwa tidak terdapat hubungan yang signifikan antara variabel semangat dengan
variabel prestasi. Selanjutnya hubungan antara Minat (X2) dengan Prestasi (Y) memiliki
nilai Sig. (2 tailed) sebesar 0,014 <0.05 sehingga kesimpulanya terdapat hubunga yang
signifikan antara kedua variable minta dan prestasi.
b. Berdasarkan nilai r hitung (Korelasi Pearson): Diketahui bahwa nilai r hitung untuk
hubungan antara semangat (X1) dan prestasi (Y) adalah 0,52 <0.632 dilihat dari table yang
 sudah ada diketahui N=10 dengan level signifikan 5% yaitu <0.632, sehingga kesimpulan
dari hasil analisis statistik tidak terdapaat korelasi antara variable semangat dan variable
prestasi. Ditambah lagi, analisis r hitung untuk mengetahui korelasi antara minat (X2)
dengan prestasi (Y) sebesar 0,744>0.632 sehinga dapat disimpulkan bahwa terdapat
korelasi antara variable minat dan prestasi. Analisis Pearson correlation dalam analisis
berniai potsitif oada variable prestasi atau dapat disimpulkan semakin mmeningkatnya
minat maka akan mempengaruhi prestasi belajar mahasiswa.
c. c. Berdasarkan tanda bintang (*) SPSS: dari hasil sebelumnya diketahui bahwa Pearson
Correlations antara Minat dan Hasil memiliki tanda bintang (*), ini berarti ada hubungan
antara variabel Minat dan Hasil dengan tingkat signifikansi 1%.

C. Uji Korelasi Spearman dan Uji Korelasi Kendall’s Tau

Uji korelasi Spearman dan Kendal Tau merupakan uji statistik yang digunakan untuk
menganalisis hubungan antara 2 variabel baik erat/tidaknya hubungan, arah hubungan, maupun
bermakna/tidaknya hubungan variable. Kedua uji ini termasuk dalam uji korelasi bivariate yang
mengukur hubungan 2 variabel berdasarkan peringkatnya. Data yang digunakan untuk analisis
Korelasi Spearman maupun Kendall’s Tau dapat berupa data ordinal, interval, maupun rasio.
Berbeda dengan uji Korelasi Pearson yang mensyaratkan distribusi normal pada datanya,
analisis Korelasi Spearman maupun Kendall’s Tau tidak mensyaratkan distribusi data normal.
Dengan kata lain, analisis korelasi Spearman maupun Kendal’s Tau cocok untuk statistic
nonparametric.
Pada analisis Korelasi Spearman maupun Kendall’s Tau, keeratan dan arah hubungan
variable dapat diketahui dari koefisien korelasi, sedangkan nilai signifikansi digunakan untuk
mengetahui apakah hubungan yang terjadi bermakna/tidak. Seperti halnya Korelasi Pearson
Product Moment, Korelasi Spearman maupun Kendall’s Tau memiliki nilai koefisien korelasi
antara nilai -1 sampai dengan 1. Semakin mendekati 1 maka korelasi semakin kuat sedangkan
semakin mendekati nol maka korelasi antara dua variabel semakin rendah. Tanda koefisien
korelasi menunjukkan arah hubungan, tanda negatif (-) menunjukkan hubungan yang
berkebalikan sedangkan tanda (+) menunjukkan hubungan yang searah. Hubungan yang
berkebalikan artinya semakin meningkat nilai suatu variabel maka variabel lainnya semakin
menurun. Hubungan yang searah artinya semakin meningkat nilai suatu variabel maka variabel
lainnya ikut meningkat.

Contoh kasus:

Seorang dosen ingin mengetahui hubungan antara nilai mata kuliah Basic Medical Science
(BMS) dengan nilai mata kuliah Advance Medical Science (AMS) dari 20 orang mahasiswa
Kedokteran Gigi. Peneliti membuat 4 kategori (1 : rendah, 2 : cukup, 3 : tinggi, 4 : sangat tinggi)
untuk nilai BMS maupun AMS yang diperoleh. Berikut data penelitian yang diperoleh sebagai
berikut:

No. Responden Nilai BMS Nilai AMS

1. 3 4
2. 2 1
 3. 3 3
4. 4 3
5. 1 2
6. 3 3
7. 2 3
8. 2 2
9. 4 3
10. 2 2
11. 3 3
12. 1 2
13. 1 1
14. 4 4
15. 4 3
16. 2 2
17. 3 4
18. 2 1
19. 4 4
20. 1 2

Langkah-langkah Analisis Korelasi Spearman dan Kendall’s Tau

dengan SPSS
1. Setelah masuk program SPSS, buatlah variable BMS dan AMS dengan langkah sebagai
berikut :
a. Ketik BMS pada kolom name, pada decimal diganti ), pada label diketik nilai BMS,
pada value buatlah value 1 = rendah, 2= cukup, 3= tinggi, 4= sangat tinggi. Pada
kolom measure dipilih ordinal
b. Lakukan hal yang sama pada AMS
2. Selanjutnya masukkan data penelitian pada data view
3. Lakukan uji korelasi spearman dan kendall’s tau dengan langkah berikut :
a. Klik Analyze → Correlate → Bivariate
b. Pindahkan nilai BMS dan AMS ke kotak Variabel → centang Spearman dan
Kendall’s Tau
c. Hasilnya sebagai berikut :
 Interpretasi hasil :
1. Koefisien korelasi baik Kendall’s tau maupun Spearman’s yang diperoleh yaitu
0,646 dan 0,775 (lebih mendekati 1) sehingga dapat disimpulkan nilai BMS dan
nilai AMS memiliki hubungan yang erat
2. Nilai koefisien kendall’s tau maupun spearman’s bernilai positif sehingga dapat
disimpulkan terjadi hubungan yang positif antara nilai BMS dan AMS. Artinya
jika nilai BMS tinggi, maka nilai AMS juga tinggi, begitupun sebaliknya
3. Nilai signifikansi pada uji Kendall’s tau maupun Spearman yaitu 0,001 artinya
nilai BMS dan AMS memiliki hubungan yang bermakna.

Latihan Soal:
1. Peneliti akan melaksanakan suatu penelitian untuk mengetahui “hubungan antara sumber
air minum dengan kejadian disentri pada balita di wilayah kerja Puskesmas Rajasoka
Kabupaten Banyuresik tahun 2019”. Proses uji yang dilakukan untuk memperoleh variabel
merk pasta gigi dan variabel penyakit karies gigi, maka peneliti menggunakan kuesioner
atau angket terhadap responden yang berjumlah 20 subjek, berupa pasien yang melakukan
kunjungan ke fasilitas kesehatan di RSGMP Unsoed. Adapun kuesioner penelitian yang
digunakan yaitu sebagai berikut:
a. “Pertanyaan kuesioner variabel Merk Pasta Gigi”. Merk apa yang Anda gunakan untuk
membersihkan gigi ? Pilihan jawaban sebagai berikut:
- Merk A dengan harga Rp.20.000,-
- Merk B dengan harga Rp. 15.000,-
- Merk C dengan harga Rp. 10.000,-
- Merk D dengan harga Rp. 5.000,-
- Merk E dengan harga Rp. 1000,-
b. “Pertanyaan kuesioner variabel Kejadian karies gigi”. Apakah anda pernah mengalami
ganguan penyakit mulut terhadap kejadian karies selama periode waktu enam bulan
terakhir?. Pilihan jawaban sebagai berikut:
- Ya
- Tidak
Kategori menggunakan skor jawaban responden atas kuesioner penelitian ini dengan
ketentuan sebagai berikut:
a. Variabel Merk pasta gigi. Jika responden menjawab “Merk A dan Merk B” maka diberi
skor 1. Artinya merk pasta gigi dengan harga yang mahal. Namun, jika responden
menjawab “Merk C, Merk D, dan Merk E” maka diberi skor 2. Artinya pasta gigi yang
murah.
b. Variabel Kejadian karies gigi. Jika responden menjawab “Tidak” maka diberi skor 1.
Artinya tidak karies. Sementara jika responden menjawab “Ya” diberi skor 2. Artinya
karies gigi.
Berikut data jawaban 20 orang responden:

No. Responden Merk Pasta Gigi Kejadian Karies

Gigi
1. 1 1
2. 1 1
3. 1 2
4. 2 2
5. 1 2
6. 2 2
7. 1 2
8. 2 1
9. 2 1
10. 2 1
11. 1 1
12. 1 1
13. 2 2
14. 2 1
15. 1 2
16. 1 1
17. 2 1
18. 2 1
19. 2 2
20. 2 2
 Lakukan analisis statistik dari data di atas dan interpretasikan hasilnya!

2. Seorang peneliti ingin memeriksa apakah ada hubungan yang signifikan antara berat badan
dan usia dan tekanan darah sistolik. Data penelitian yang diperoleh adalah sebagai berikut::

No. Berat Badan Usia Tekanan Darah

Responden (X1) (X2) Sistolik (Y)
1. 80 60 140
2. 85 65 142
3. 73 58 130
4. 75 59 135
5. 60 60 120
6. 67 60 125
7. 74 55 135
8. 80 68 140
9. 95 65 145
10. 83 69 135

Lakukan analisis statistik dan interpretasikan hasilnya!

3. Seorang peneliti ingin mengetahui apakah terdapat hubungan antara rangking saat SD
dengan rangking saat SMA. Penelitian dilakukan terhadap 25 orang siswa. Data yang
diperoleh sebagai berikut :

No. Rangking Rangking

Responden saat SD saat SMA
1. 1 2
2. 2 1
3. 3 4
4. 4 3
5. 5 7
6. 6 8
7. 7 9
8. 8 10
9. 9 16
 10. 10 5
11 11 6
12 12 11
13 13 14
14 14 12
15 15 15
16 16 23
17 17 18
18 18 17
19 19 19
20 20 20
21 21 13
22 22 25
23 23 22
24 24 21
25 25 24

Lakukan analisis statistik dan interpretasikan hasilnya!

Daftar Pustaka
Singgih Santoso. 2014. Panduan Lengkap SPSS Versi 20. Jakarta: Gramedia.
Priyatno, D. 2013. Analisis Korelasi, Regresi, dan Multivariate dengan SPSS. Yogyakarta :
Penerbit Gava Media
Sugiyono. 2019. Metode Penelitian Kuantitatif. Bandung : Alfabeta.