PENELITIAN KORELASI
Kelompok 1:
Dimas Murpratomo 158600120
Andika Ramadhani Ginting 178600217
Marnia Putri Ginting 178600408
Riska Anggreini 178600171
Dinda Surya 178600262
Annisya Nabila 178600440
2. Bentuk hubungan
Biasanya, peneliti mencari pola dalam data yang menunjukkan hubungan
yang konsisten dan dapat diprediksi antara kedua variabel.Dalam kebanyakan
situasi, peneliti mencari hubungan linier, di mana titik data dalam plot pencar
cenderung mengelompok di sekitar garis lurus. Dalam hubungan linear positif,
misalnya, setiap kali variabel X meningkat sebesar 1 poin, variabel Y juga
meningkat, dan ukuran kenaikan adalah jumlah yang diprediksi secara konsisten.
Gambar 8.2a menunjukkan contoh hubungan linear yang positif.Namun,
hubungan tersebut mungkin konsisten dan dapat diprediksi, tetapi tidak linier.
Sebagai contoh, cenderung ada hubungan yang konsisten antara praktik dan
kinerja; untuk sebagian besar keterampilan, peningkatan praktik mengarah pada
peningkatan kinerja. Namun, peningkatan tidak konstan dari satu minggu ke
minggu lainnya, sehingga hubungannya tidak linier.
Selama beberapa minggu pertama latihan, peningkatan kinerja sangat
besar.Namun, setelah bertahun-tahun berlatih, lebih banyak minggu menghasilkan
perubahan kinerja yang hampir tidak terlihat.Hubungan yang konsisten satu arah,
baik secara konsisten positif atau konsisten negatif, disebut hubungan
monoton.Dalam hubungan monotonik positif, misalnya, peningkatan dalam satu
variabel cenderung disertai dengan peningkatan dalam variabel lainnya. Namun,
jumlah kenaikannya tidak harus selalu sama ukurannya. Gambar 8.2b
menunjukkan contoh hubungan monotonik positif yang mirip dengan contoh
praktik dan kinerja.Berbagai jenis correiations digunakan untuk mengukur
berbagai jenis hubungan.Sebagai contoh, korelasi Pearson mengukur hubungan
linear dan korelasi Spearman digunakan untuk mengukur hubungan monoton
(lihat Bab 14, hal. 410-411).
Akhirnya, kami harus mengingatkan Anda bahwa sebagian besar studi
korelasional mencari hubungan linier, dan korelasi Pearson, mengukur hubungan
linear, sejauh ini merupakan korelasi yang paling umum digunakan dalam
penelitian ilmu perilaku. Jika Anda melihat korelasi dalam laporan penelitian,
Anda dapat dengan aman menganggap itu adalah korelasi Pearson, kecuali jika
laporan secara khusus mengidentifikasikannya sebagai sesuatu yang lain.
Data untuk Studi Korelasi 233 Korelasi, atau koefisien korelasi, adalah nilai
numerik yang mengukur dan menggambarkan hubungan antara dua variabel.
Tanda korelasi (+/-) menunjukkan arah hubungan. Nilai korelasi numerik (0,0
hingga 1,0) menunjukkan kekuatan atau konsistensi hubungan. Jenis korelasi
(Pearson atau Spearman) menunjukkan bentuk hubungan.
PEMERIKSAAN BELAJAR Jelaskan pola yang akan muncul di sebar plot yang
menunjukkan titik data untuk masing-masing korelasi berikut: 7 = -0,9 dan r =
+0,3. Jelaskan perbedaan antara hubungan linear dan monotonik.Mengevaluasi
Hubungan untuk Skor Non-numerik Kadang-kadang studi penelitian korelasional
menghasilkan dua atau lebih skor untuk setiap individu dengan setidaknya satu
skor yang tidak terdiri dari skor numerik.Sebagai contoh, seorang peneliti
mungkin tertarik pada hubungan antara gender (pria / wanita) dan keberhasilan
dalam tugas-tugas pemecahan masalah (sukses / gagal).Dalam hal ini, ada dua
pengukuran untuk setiap individu tetapi tidak ada skor numerik yang cocok untuk
menghitung korelasi.Dalam situasi ini, ada beberapa alternatif untuk
mengevaluasi hubungan. 1. Jika satu skor bersifat numerik, seperti IQ, dan yang
lainnya non-numerik, seperti gender, strategi yang paling umum adalah
menggunakan variabel non-numerik untuk mengatur skor menjadi kelompok-
kelompok yang terpisah. Untuk contoh ini, data akan terdiri dari sekelompok nilai
IQ. untuk pria dan sekelompok skor untuk wanita. Kedua kelompok kemudian
dibandingkan dengan menggunakan uji t tindakan-independen (untuk dua
kelompok, atau analisis varians (untuk lebih dari dua kelompok). Tes hipotesis ini
dibahas pada Bab 14 (lihat hal. 433-435), ketika data diatur dalam kelompok
skor, strategi penelitian umumnya dianggap diferensial daripada korelasional
(lihat Bab 12, hal. 340) Jika variabel non-numerik terdiri dari tepat dua kategori,
juga dimungkinkan untuk menghitung korelasi. Pertama, kedua kategori tersebut
adalah diberi kode numerik sebagai 0 dan 1. Misalnya, laki-laki = 0 dan
perempuan 1. Data kemudian terdiri dari dua skor per orang, skor IQ dan skor
kode untuk gender, dan korelasi Pearson dapat dihitung untuk data kode.korelasi
yang dihasilkan disebut korelasi point-biserial. Nilai korelasi numerik adalah
ukuran kekuatan atau konsistensi hubungan, tetapi tanda korelasi tidak bermakna
(karena 0 dan 1 ditugaskan secara sewenang-wenang.) 2. Jika kedua variabel
tersebut adalah n on-numeric, hubungan biasanya dievaluasi dengan mengatur
data dalam matriks dengan kategori satu variabel membentuk baris dan kategori
variabel kedua membentuk kolom. Setiap sel dari matriks menunjukkan frekuensi
atau jumlah individu dalam sel itu dan data dievaluasi menggunakan uji hipotesis
chi-square (lihat Bab 14, hal. 441). Gambar 8.4 menunjukkan contoh level inc
Menafsirkan Korelasi
Nilai numerik suatu korelasi, berkisar antara 0,00 hingga 1,00, menggambarkan
keterkaitan hubungan dengan 1,00 (atau -1,00) yang menunjukkan hubungan yang
sangat konsisten dan 0,00 yang menunjukkan kurangnya konsistensi. Namun, ada
dua faktor tambahan yang harus dipertimbangkan ketika menginterpretasikan
kekuatan suatu hubungan.Nyala adalah koefisien determinasi.yang diperoleh
dengan mengkuadratkan korelasinya, dan yang lainnya adalah sie dari
korelasinya. Masing-masing faktor ini dibahas di bawah ini.
Kekuatan Hubungan
Teknik yang paling umum untuk mengukur kekuatan hubungan antara dua
variabel adalah menghitung koefisien determinasi, yang diperoleh dengan
mengkuadratkan nilai numerik korelasi.Karena lasi biasanya diidentifikasi oleh
huruf r, koefisien determina 7.Koefisien ini mengukur seberapa besar variabilitas
dalam satu variabla yang dapat ditentukan dari hubungannya dengan variabel
lainnya.Sebagai contoh, jika siswa t lege dipilih secara acak, mereka hampir pasti
memiliki rata-rata titik kelas yang berbeda.Meskipun ada banyak penjelasan untuk
nilai yang berbeda, satu kemungkinan adalah bahwa kedua siswa memiliki IQ
yang berbeda. Di ge ada kecenderungan untuk IQ yang lebih tinggi untuk
berkorelasi dengan nilai yang lebih tinggi. Jika hubungan antara 1Q dan nilai
rata-rata poin dihitung dan kemudian hasil kuadrat memberikan ukuran berapa
banyak perbedaan dalam rata-rata kelas p yang dapat diprediksi oleh skor IQ.
Korelasi T 0,80 akankah r = 0,64 (atau 64%) dari perbedaan dalam nilai rata-rata
kelas dapat ditentukan oleh perbedaan dalam 1Q. Korelasi r = 0,30 akan berarti
bahwa 0,09 (9%) dari perbedaan dapat diprediksi. Nilai kuadrat dari suatu
korelasi disebut koefisien determinasi dan mengukur persentase variabilitas dalam
satu variabel yang menentukan atau diprediksi, melalui hubungannya dengan
variabel lainnya.
Dalam ilmu perilaku, perbedaan yang ada dari satu orang ke orang lain cenderung
besar dan biasanya sulit diprediksi atau dijelaskan. Akibatnya, kemampuan untuk
memprediksi hanya sebagian kecil dari perbedaan perilaku biasanya dianggap
sebagai pencapaian besar.Dengan mengingat hal ini, panduan dalam Tabel 8.1
biasanya digunakan untuk menginterpretasikan kekuatan hubungan antara dua
variabel (Cohen, 1988).Kita harus mencatat bahwa nilai-nilai pada Tabel 8.1
adalah panduan umum l menafsirkan korelasi yang diperoleh dalam sebagian
besar ilmu perilaku muncul. Namun ada beberapa situasi, di mana korelasi 0,50
akan dianggap besar.
Misalnya, ketika menggunakan korelasi untuk mengukur keandalan pengukuran,
peneliti biasanya mencari nilai yang besar, biasanya jauh lebih besar daripada r =
0,50. Demikian pula, sebuah studi penelitian yang menemukan hubungan yang
secara teoritis penting antara dua variabel mungkin melihat korelasi "kecil" r =
0,10 sebagai hubungan substansial. Signifikansi suatu Hubungan Signifikansi
statistik dari suatu korelasi adalah faktor penting kedua untuk menafsirkan
kekuatan suatu korelasi.Dalam konteks korelasi, istilah sjgnificant berarti bahwa
korelasi yang ditemukan dalam data sampel sangat tidak mungkin dihasilkan oleh
variasi acak.Sebaliknya, setiap kali korelasi sampel ditemukan signifikan, Anda
dapat menyimpulkan bahwa itu mewakili hubungan nyata yang ada dalam
populasi. Dengan sampel kecil, adalah mungkin untuk mendapatkan apa yang
tampak sebagai korelasi yang sangat kuat ketika, pada kenyataannya, sama sekali
tidak ada hubungan antara dua variabel yang diperiksa. Misalnya, dengan sampel
hanya dua individu, hanya ada dua titik data dan mereka dijamin cocok dengan
sempurna pada garis lurus. Dengan demikian, dengan sampel dua individu, Anda
akan selalu mendapatkan korelasi sempurna sebesar 1,00 (r -1,00) terlepas dari
variabel apa pun yang Anda ukur. Dengan meningkatnya ukuran sampel, semakin
besar kemungkinan korelasi sampel mewakili hubungan nyata yang ada dalam
populasi.Korelasi yang ditemukan dalam sampel yang relatif besar biasanya
merupakan indikasi hubungan yang nyata dan bermakna dan cenderung
signifikan.Anda harus diingatkan, bahwa hubungan yang signifikan secara
statistik tidak selalu berarti bahwa korelasinya besar atau kuat. Dengan sämple
yang sangat besar, misalnya, dimungkinkan untuk korelasi r = 0,10 atau lebih
kecil secara statistik signifikan. Jelas, ini bukan korelasi yang kuat.
I. Mengevaluasi teori
Banyak teori menghasilkan pertanyaan Tesearch tentang hubungan
diantara variabel yang dapat dibahas oleh desain penelitian coronal. Contoh yang
baik datang dari sifat kuno/memelihara pertanyaan sebagai berlaku untuk
kecerdasan: "adalah kecerdasan terutama karakteristik warisan, atau apakah
primiarilyi ditentukan oleh lingkungan?" Sebagian jawaban dari pertanyaan ini
muncul penelitian korelasi fromi yang memeriksa iq dari kembar identik yang
terpisah saat lahir dan ditempatkan di lingkungan yang berbeda. Karena kedua
faksi ini sudah dikenali melalui lingkungan keturunan dan penerus, mereka pori -
pori menghasilkan rancangan yang terpisah dari kedua taco itu. Karya pertama di
daerah ini, yang diadakan oleh psikolog inggris Cyril Burt, memperlihatkan
hubungan yang kuat antara iq kembar mereki, yang menunjukkan bahwa faktor-
faktor keturunan telah mempengaruhi lingkungan (Burt, 1972). Namun, bukti
belakangan memperlihatkan bahwa Burt mungkin telah memalsukan sebagian
besar datanya (Kamin, 1974). Meski begitu, hasil korrelasi menunjukkan
hubungan kuat antara iq kembar. Perhatikan bahwa desain penelitian korelasi ini
digunakan untuk mengatasi isu teoritis.
Menafsirkan korelasi
Nilai numerik korelasi, mulai dari pukul 02.00 sampai pukul 1.00,
menggambarkan konsistensi hubungan dengan pukul 1.00 (atau -1.00) yang
menunjukkan hubungan yang sangat konsisten dan 0,00 menunjukkan, sangat
kurangnya konsistensi. Namun, ada dua faktor tambahan yang harus
dipertimbangkan ketika inter preting