Kelas : B – S1 Statistika
NIM : M0722014
1. Korelasi Rank
A. Korelasi Rank Spearman
Uji rank spearman adalah metode statistik non-parametrik yang digunakan
untuk mengukur seberapa erat hubungan antara dua variabel ordinal atau interval
yang telah diurutkan. Uji rank Spearman adalah metode statistik yang dapat
digunakan pada data yang tidak memiliki informasi parameter, data yang tidak
berdistribusi normal, atau data yang diukur dalam bentuk ranking. Korelasi ini
dapat digunakan untuk data kategorik seperti kategori pekerjaan, tingkat
pendidikan, kelompok usia, dan contoh data kategorik lainnya.
Langkah – langkah pengujian rank spearman dapat dilakukan sebagai berikut.
1. Berikan peringkat pada nilai-nilai variabel x dari 1 sampai n. Jika terdapat
angka-angka sama, peringkat yang diberikan adalah peringkat rata-rata dari
angka-angka yang sama tersebut
2. Berikan peringkat pada nilai-nilai variabel y dari 1 sampai n. Jika terdapat
angka-angka sama, peringkat yang diberikan adalah peringkat rata-rata dari
angka-angka yang sama tersebut.
3. Hitung selisih pasangan rank ke I (di) untuk setiap sampel. Perhitungan di dapat
menggunakan persamaan berikut.
𝑑𝑖 = (𝑅(𝑥𝑖 ) − 𝑅(𝑦𝑖 ))
Keterangan:
R(xi) = peringkat xi
R(yi) = peringkat yi
4. Kuadratkan masing-masing di
5. Jumlahkan semua di2
6. Hitung koefisien korelasi rank spearman dengan persamaan berikut.
6∑𝑑𝑖 2
rs = 1 - 𝑛(𝑛2−1)
Keterangan:
rs: nilai korelasi rank spearman
n: banyaknya rank
Setelah didapatkan hasil perhitungan korelasi rank spearman, maka dapat
diambil kesimpulan dengan ketentuan berikut.
No Parameter Nilai Interpretasi
1. rs dan rα;n. rα;n dapat dilihat pada rs ≥ rα;n H0 ditolak Ha diterima
Tabel Uji Rank Spearman
dimana α merupakan nilai
rα;n < rs H0 diterima Ha ditolak
tingkat singnifikansi dan n
merupakan ukuran sampel
2. Arah (Jenis) Korelasi + (positif) Searah, semakin besar
nilai xi semakin besar
pula nilai yi
- (negatif) Berlawanan arah,
semakin besar nilai xi
maka semakin kecil nilai
yi, dan sebaliknya
Contoh Kasus:
Sebuah toko ingin menguji apakah ada hubungan antara usia karyawan dan
penjualan produk per bulan. Berikut adalah data usia (X) dan penjualan (Y) dari 7
karyawan:
Penyelesaian:
Perhitungan manual:
i) Hipotesis
H0: rs = 0 (Tidak ada hubungan antara usia karyawan terhadap penjualan
produk)
H1: rs ≠ 0 (Terdapat hubungan antara usia karyawan terhadap penjualan
produk)
ii) Tingkat signifikansi
α = 5% = 0,05
iii) Daerah Kritis
H0 ditolak jika rs > r(0,05;7) = 0,786
iv) Uji Statistik
Karyawan Usia (X) R(x) Penjualan (Y) R(y) d d2
1 25 3 420 5 -2 4
2 30 5 350 3 2 4
3 22 2 270 1 1 1
4 28 4 300 2 2 4
5 35 7 480 7 0 0
6 20 1 400 4 -3 9
7 32 6 440 6 0 0
∑𝑑𝑖 2 22
Perhitungan nilai korelasi rank spearman:
6∑𝑑𝑖 2
rs = 1 -
𝑛(𝑛2−1)
6(22)
= 1 - 7(72−1)
132
= 1 - 336
= 1 – 0.393
= 0.607
𝑁𝑐−𝑁𝑑
τ= 𝑛(𝑛−1)
2
Keterangan:
Nc = banyaknya data konkordan
Nd = banyaknya data tak konkordan
n = banyaknya pasangan data pengamatan
Jika ada rank yang sama, menggunakan rumus berikut:
2(𝑁𝑐 −𝑁𝑑)
τ=
√𝑛(𝑛−1)−𝑇𝑋 √𝑛(𝑛−1)−𝑇𝑌
dimana,
𝑠
Tx = ∑ (𝑡𝑖2(𝑥) − 𝑡𝑖 (𝑥) )
𝑖=1
𝑠
2
Ty= ∑ (𝑡𝑖(𝑦) − 𝑡𝑖(𝑦) )
𝑖=1
Contoh Kasus:
Perhitungan manual:
i) Hipotesis
H0: X dan Y independen
H1: X dan Y tidak independen
ii) Tingkat signifikansi
α = 5% = 0,05
iii) Daerah Kritis
H0 ditolak jika T > W(1- α /2) = 16
iv) Uji Statistik
Karyawan IQ (X) Prestasi Rank (X) Rank Konkordan Diskonkordan
Kerja (Y) (Y)
1 90 41 7 8 0 1
2 135 72 1 2 6 1
3 124 49 4 5 3 1
4 62 44 8 7 0 0
5 134 74 2 1 6 0
6 125 62 3 3 5 0
7 120 51 5 4 3 0
8 108 46 6 6 2 0
𝑁𝑐−𝑁𝑑
τ= 𝑛(𝑛−1)
2
25−3
= 7(7−1)
2
22
= 28
= 0,786
T = Nc – Nd = 25 – 3 = 22
Perhitungan dengan software SPSS:
v) Kesimpulan
Karena pada perhitungan manual menunjukkan T = 22 > W(1- α /2) = 16 dan
pada hasil SPSS Sig. (2 tailed)=0,006 < 0,05 maka H0 ditolak yang berarti
bahwa X dan Y tidak independen
2. Korelasi Parsial
Korelasi parsial adalah konsep dalam analisis statistik yang digunakan untuk
mengukur hubungan antara dua variabel secara independen dari efek variabel lainnya.
Dalam konteks korelasi parsial, kita tertarik untuk mengevaluasi korelasi antara dua
variabel setelah mengontrol atau menghilangkan pengaruh variabel ketiga atau lebih.
Dalam analisis regresi dan korelasi, korelasi parsial sangat berguna ketika kita
ingin memahami hubungan antara dua variabel dengan mengendalikan variabel lain
yang mungkin mempengaruhi keduanya secara bersamaan. Secara matematis, korelasi
parsial (rXY⋅Z) antara dua variabel X dan Y setelah mengontrol variabel Z dapat dihitung
menggunakan rumus sebagai berikut:
𝑟𝑋𝑌 − 𝑟𝑋𝑍 𝑟𝑌𝑍
rXY⋅Z =
2 )(1−𝑟 2 )
√(1−𝑟𝑋𝑍 𝑌𝑍
Di mana:
• rXY adalah korelasi antara X dan Y (tanpa mengontrol Z).
• rXZ adalah korelasi antara X dan Z.
• rYZ adalah korelasi antara Y dan Z
Contoh Kasus :
Seorang guru akan melakukan penelitian untuk mengetahui apakah terdapat hubungan
antara motivasi belajar dengan prestasi belajar siswa, jika tingkat kecerdasan siswa (IQ)
yang diduga mempengaruhi akan dikendalikan. Variabel yang digunakan dalam
penelitian ini yaitu prestasi belajar dan motivasi belajar, sedangkan variabel kontrolnya
yaitu IQ.
(∑𝑌)(∑𝑍)
∑𝑌𝑍− 370.5556
𝑁
rYZ = = 4771,622 = 0,0777
(∑𝑌𝑖)2 (∑𝑍 )2
√((∑𝑌 −
2 )(𝑍 2− 𝑖 )
𝑁 𝑁
(∑𝑋)(∑𝑌)
∑𝑋𝑌− 320,4444
𝑁
rxy = 2 2
= = 0,0966
3318,54
√((∑𝑋 2 −(∑𝑋𝑖) )(𝑌 2 −(∑𝑌𝑖) )
𝑁 𝑁
v) Kesimpulan
Karena pada perhitungan manual menunjukkan thitung > t(6;0,05)=1,943 dan
pada hasil SPSS Sig. (2 tailed)=0,081 < 0,05 maka H0 ditolak yang berarti
bahwa terdadpat hubungan antara motivasi belajar fisika dengan prestasi
belajar fisika dengan IQ sebagai variabel kontrol