BAB IV

UJI KORELASI

Korelasi didefinisikan sebagai hubungan/ keeratan

antara variabel-variabel, dimana terdapat variabel
independent (bebas) dan variabel dependent (terikat).
Variabel bebas adalah variabel yang mempengaruhi variabel
lain dan sifatnya berdiri sendiri. Sedangkan variabel terikat
adalah variabel yang dipengaruhi oleh variabel lain yang
sifatnya tidak dapat berdiri sendiri.
Nilai korelasi berkisar antara -1 hingga +1. Nilai
positif menyatakan arah korelasi searah, sedangkan nilai
negatif menyatakan arah korelasi berbalik arah.
Nilai korelasi dan pengertiannya dapat dilihat pada
tabel berikut:
Nilai Hubungan
0.00 – 0.199 Sangat Rendah
0.20 – 0.309 Rendah
0.40 – 0.599 Sedang
0.60 – 0.799 Kuat
0.80 – 1.000 Sangat Kuat

A. Korelasi Pearson
Korelasi Pearson digunakan untuk mengukur korelasi
jika hasil pengamatan memiliki dua varian (bivariate),

40
berdistribusi normal, dan biasanya digunakan untuk data
berskala interval atau rasio.
Hipotesis
H0 : tidak ada korelasi antara kedua variabel
H1 : ada korelasi antara kedua variabel
Dasar Pengambilan Keputusan
Jika probabilitas > 0,05 maka H0 diterima. Dan jika
probabilitas < 0,05 maka H0 ditolak.

Contoh kasus:
Ingin dilihat apakah ada korelasi antara variabel antara skor
Matematika dan skor Bahasa Inggris pada mahasiswa.
Mahasiswa Nilai Matematika Nilai Bahasa Inggris
1 130 145
2 95 145
3 110 120
4 105 125
5 105 130
6 115 125
7 115 130
8 125 115
9 120 110
Tabel 5 Data Nilai Mahasiswa

41
Langkah-langkah pada aplikasi SPSS
1. Masukkan data diatas kedalam SPSS.

Gambar 34 Tampilan Data View Korelasi Pearson

2. Klik menu Analyze > Correlate > Bivariate

Gambar 35 Tampilan Menu Korelasi Pearson

42
Akan muncul tampilan berikut

Gambar 35 Tampilan Kotak Dialog Bivariate Correlations Sebelum Diisi

3. Masukkan kedua variabel ke kotak Variables. Ceklis

(√) kotak Pearson pada bagian Correlation
Coefficients. Pilih Two-tailed pada bagian Test of
Significance. Ceklis (√) Flag significant
correlations. Dan klik OK.

Gambar 36 Tampilan Kotak Dialog Setelah Diisi

43
 Akan muncul Output SPSS berikut

Correlations
Matematika BahasaInggris
Matematika Pearson Correlation 1 -.022
Sig. (2-tailed) .956
N 9 9
BahasaInggris Pearson Correlation -.022 1
Sig. (2-tailed) .956
N 9 9

Analisis Output
Angka korelasi pada tabel adalah -0,022 yang artinya korelasi
yang lemah antara skor matematika dan skor bahasa inggris,
tanda negatif menunjukkan korelasi yang berlawanan, artinya
semakin tinggi nilai matematika maka semakin rendah nilai
bahasa inggris.
Lihat baris Sig.(2-tailed), terdapat nilai 0,956. Nilai ini lebih
besar dari 0,05. Artinya H0 diterima. Dan kesimpulannya
adalah tidak ada korelasi antara skor Matematika dan skor
Bahasa Inggris.

B. Korelasi Spearman dan Kendall’s Tau

Korelasi Spearman dan Kendall’s Tau digunakan
untuk mengukur korelasi jika hasil pengamatan memiliki dua
varian (bivariate), namun berdistribusi tidak normal. Dan
biasanya digunakan untuk data berskala ordinal.

44
Contoh kasus:
Ingin dilihat adakah korelasi antara IPK, IQ dan Kinerja
karyawan di suatu perusahaan.
Mahasiswa IPK IQ Kinerja
1 3,85 125 90
2 3,86 115 87
3 3,88 105 89
4 3,93 125 96
5 3,92 115 88
6 3,97 125 93
7 3,84 110 87
8 3,88 105 91
9 3,89 115 89
10 3,91 115 89
Tabel 6 Data IPK, IQ dan Kinerja Karyawan

Langkah-langkah pada aplikasi SPSS

1. Masukkan data diatas kedalam SPSS.

Gambar 37 Tampilan Data View Uji Spearman dan Kendall’s Tau

45
Klik menu Analyze > Correlate > Bivariate

Gambar 38 Tampilan Menu Uji Spearman dan Kendall’s Tau

Akan muncul tampilan berikut

Gambar 39 Tampilan Kotak Dialog Bivariate Correlations Sebelum Diisi

2. Masukkan ketiga variabel ke kotak Variables. Ceklis

(√) kotak Kendall’s tau-b dan Spearman pada
bagian Correlation Coefficients. Jika kotak Pearson
terisi (√) maka hilangkan tanda ceklis (√). Pilih Two-

46
 tailed pada bagian Test of Significance. Ceklis (√)
Flag significant correlations. Dan klik OK.

Gambar 40 Tampilan Kotak Dialog Setelah Diisi

Akan muncul Output SPSS berikut

Correlations

IP IQ Kinerja
Kendall's tau_b IP Correlation Coefficient 1.000 .382 .377

Sig. (2-tailed) . .154 .143

N 10 10 10
IQ Correlation Coefficient .382 1.000 .370
Sig. (2-tailed) .154 . .178
N 10 10 10
Kinerja Correlation Coefficient .377 .370 1.000
Sig. (2-tailed) .143 .178 .
N 10 10 10
Spearman's rho IP Correlation Coefficient 1.000 .446 .556

Sig. (2-tailed) . .196 .095

N 10 10 10
IQ Correlation Coefficient .446 1.000 .455
Sig. (2-tailed) .196 . .186
N 10 10 10
Kinerja Correlation Coefficient .556 .455 1.000
Sig. (2-tailed) .095 .186 .
N 10 10 10

47
Analisis Output Berdasarkan Korelasi Kendall’s tau-b.
Lihat tabel pada bagian Kendall’s tau-b.
Akan dilihat 3 jenis korelasi
1. Korelasi antara IP dengan IQ
Angka korelasi pada tabel adalah 0,382 yang artinya korelasi
yang lemah antara IP dan IQ, tanda positif menunjukkan
korelasi yang searah, artinya semakin tinggi IP maka semakin
tinggi IQ.
Lihat baris Sig.(2-tailed), terdapat nilai 0,154. Nilai ini lebih
besar dari 0,05. Artinya H0 diterima. Dan kesimpulannya
adalah tidak ada korelasi antara IP dan IQ karyawan.
2. Korelasi antara IP dengan Kinerja
Angka korelasi pada tabel adalah 0,377 yang artinya korelasi
yang lemah antara IP dan Kinerja, tanda positif menunjukkan
korelasi yang searah, artinya semakin tinggi IP maka semakin
tinggi Kinerja.
Lihat baris Sig.(2-tailed), terdapat nilai 0,143. Nilai ini lebih
besar dari 0,05. Artinya H0 diterima. Dan kesimpulannya
adalah tidak ada korelasi antara IP dan Kinerja karyawan.
3. Korelasi antara IQ dengan Kinerja
Angka korelasi pada tabel adalah 0,370 yang artinya korelasi
yang lemah antara IQ dan Kinerja, tanda positif menunjukkan
korelasi yang searah, artinya semakin tinggi IQ maka
semakin tinggi Kinerja karyawan.

48
Lihat baris Sig.(2-tailed), terdapat nilai 0,178. Nilai ini lebih
besar dari 0,05. Artinya H0 diterima. Dan kesimpulannya
adalah tidak ada korelasi antara IQ dan Kinerja karyawan.

Tugas!!!
Dari output diatas tuliskan analisis output berdasarkan
korelasi Spearman!!

49