Koefisien korelasi Pearson ( r ) adalah cara paling umum untuk mengukur korelasi
linier. Ini adalah angka antara –1 dan 1 yang mengukur kekuatan dan arah hubungan
antara dua variabel.
Koefisien Jenis Penafsiran Contoh
korelasi korelasi
Pearson ( r )
Antara 0 dan 1 Korelasi Ketika satu variabel berubah maka variabel Panjang & berat bayi:
positif lainnya juga ikut berubah ke arah yang sama . Semakin panjang bayinya,
semakin berat berat badannya.
0 Tidak ada Tidak ada hubungan antar variabel. Harga mobil & lebar wiper kaca
korelasi depan :
Harga sebuah mobil tidak
berhubungan dengan lebar wiper
kaca depannya.
Antara Korelasi Ketika salah satu variabel berubah maka Ketinggian & tekanan udara:
0 dan –1 negatif variabel yang lain juga ikut berubah ke arah Semakin tinggi suatu tempat,
yang berlawanan . maka semakin rendah tekanan
udaranya.
Jika r lebih besar dari 0,5 atau kurang dari –0,5, titik-titik tersebut dekat dengan garis
yang paling sesuai:
Jika r berada di antara 0 dan 0,3 atau antara 0 dan –.3, titik-titik tersebut jauh dari garis
yang paling sesuai:
Jika r bernilai 0, garis yang paling sesuai tidak membantu dalam menggambarkan
hubungan antar variabel:
u
3.6 53.1 (3,63)2 = 13,18 (53,1)2 = 2 819,6
3
3.0 49.7 9.12 2 470.1
2
3.8 48.4 14.59 2 342.6
2
3.4 54.2 11.7 2 937.6
2
3.5 54.9 12.89 3 014
9
2.8 43.7 8.24 1 909.7
7
3.0 47.2 9.18 2 227.8
3
3.4 45.2 11.97 2 043
6
3.3 54.4 11.29 2 959.4
6
3.3 50.4 10.89 2 540.2
Σx 2
= 13,18 + 9,12 + 14,59 + 11,70 + 12,89 + 8,24 + 9,18 + 11,97 + 11,29 + 10,89
Σx 2
= 113,05
Σy 2
= 2 819,6 + 2 470,1 + 2 342,6 + 2 937,6 + 3 014,0 + 1 909,7 + 2 227,8 + 2 043,0 +
2 959,4 + 2 540,2
Σ kamu 2
= 25 264
Langkah 3: Hitung perkalian silang dan jumlahnya
Di kolom terakhir, kalikan x dan y (ini disebut perkalian silang). Ambil jumlah kolom
baru.
Contoh: Menghitung perkalian silang dan jumlahnya
X kam x 2
kamu 2 xy ( x * kamu )
u
3.6 53.1 13.18 2 819.6 3,63*53,1 = 192,8
3
3.0 49.7 9.12 2 470.1 150.1
2
3.8 48.4 14.59 2 342.6 184.9
2
3.4 54.2 11.7 2 937.6 185.4
2
3.5 54.9 12.89 3 014 197.1
9
2.8 43.7 8.24 1 909.7 125.4
7
3.0 47.2 9.18 2 227.8 143
3
3.4 45.2 11.97 2 043 156.4
6
3.3 54.4 11.29 2 959.4 182.8
6
3.3 50.4 10.89 2 540.2 166.3
Σ xy = 192,8 + 150,1 + 184,9 + 185,4 + 197,1 + 125,4 + 143,0 + 156,4 + 182,8 + 166,3
Σ xy = 1 684,2
Langkah 4: Hitung r
Gunakan rumus dan angka yang Anda hitung pada langkah sebelumnya untuk
mencari r .
Contoh: Menghitung r
Menguji signifikansi koefisien korelasi Pearson
Koefisien korelasi Pearson juga dapat digunakan untuk menguji apakah hubungan dua
variabel signifikan .
Korelasi Pearson sampel adalah r . Ini adalah perkiraan rho ( ρ ), korelasi Pearson
dari populasi . Mengetahui r dan n (ukuran sampel), kita
dapat menyimpulkan apakah ρ berbeda signifikan dari 0.
Hipotesis nol ( H 0 ): ρ = 0
Hipotesis alternatif ( H a ): ρ ≠ 0
Untuk menguji hipotesis , Anda dapat menggunakan perangkat lunak seperti R atau
Stata atau mengikuti tiga langkah di bawah ini.
Langkah 1: Hitung nilai t
Hitung nilai t ( statistik uji ) menggunakan rumus ini:
Contoh: Menghitung nilai tBerat badan dan panjang 10 bayi baru lahir memiliki koefisien
korelasi Pearson sebesar 0,47. Karena kita mengetahui bahwa n = 10 dan r = 0,47, kita
dapat menghitung nilai t :
Langkah 2: Temukan nilai kritis t
Anda dapat menemukan nilai kritis t ( t* ) dalam tabel t . Untuk menggunakan tabel,
Anda perlu mengetahui tiga hal:
Derajat kebebasan ( df ): Untuk uji korelasi Pearson rumusnya adalah df = n – 2.
Tingkat signifikansi (α): Berdasarkan konvensi, tingkat signifikansi biasanya 0,05.
Satu sisi atau dua sisi: Paling sering, dua sisi adalah pilihan yang tepat untuk korelasi.
Contoh: Mencari nilai kritis tUntuk uji signifikansi dua sisi pada α = 0,05 dan df = 8, nilai
kritis t ( t* ) adalah 1,86.
Langkah 3: Bandingkan nilai t dengan nilai kritis
Tentukan apakah nilai t absolut lebih besar dari nilai kritis t . “Mutlak” artinya jika
nilai t negatif maka tanda minus harus diabaikan.
Contoh: Membandingkan nilai t dengan nilai kritis t ( t* )t = 1,506
t* = 1,86
Nilai t lebih kecil dari nilai kritis t.
Langkah 4: Putuskan apakah akan menolak hipotesis nol
Jika nilai t lebih besar dari nilai kritis, maka hubungan tersebut signifikan secara
statistik ( p < α ). Data memungkinkan Anda menolak hipotesis nol dan memberikan
dukungan untuk hipotesis alternatif.
Jika nilai t lebih kecil dari nilai kritis, maka hubungan tersebut tidak signifikan secara
statistik ( p > α ). Data tidak memungkinkan Anda menolak hipotesis nol dan tidak
memberikan dukungan terhadap hipotesis alternatif.
Contoh: Memutuskan apakah akan menolak hipotesis nolUntuk korelasi berat badan
dan tinggi badan pada sampel 10 bayi baru lahir, nilai t lebih kecil dari nilai kritis t . Oleh
karena itu, kami tidak menolak hipotesis nol yang menyatakan koefisien korelasi
Pearson populasi ( ρ ) adalah 0. Tidak ada hubungan yang signifikan antara berat
badan dan tinggi badan ( p > 0,05).
(Perhatikan bahwa ukuran sampel 10 sangatlah kecil. Anda mungkin akan menemukan
hubungan yang signifikan jika Anda menambah ukuran sampel.)