Anda di halaman 1dari 68

UJI HUBUNGAN

(KORELASI PRODUCT
MOMENT)

UJI PARAMETRIK

UJI REGRESI
PENGERTIAN UJI KORELASI PRODUCT
MOMENT

Korelasi Product moment adalah salah satu teknik


untuk mencari korelasi atau hubungan antar dua
variable yang kerap kali digunakan. Korelasi Product
Moment atau sering juga disebut Korelasi Pearson
merupakan alat uji statistik yang digunakan untuk
menguji hipotesis asosiatif (uji hubungan) dua variabel
bila datanya berskala interval atau rasio.
Korelasi Pearson disamping dapat untuk mengetahui
kekuatan / keeratan hubungan, juga dapat untuk
mengetahui arah hubungan dua variabel numerik.
PENGERTIAN UJI KORELASI PRODUCT
MOMENT
Secara sederhana atau secara visual hubungan dua
variabel dapat dilihat dari diagram tebar / pencar
(scatter plot). Diagram tebar adalah grafik yang
menunjukkan titik – titik perpotongan nilai data dari
dua variabel (X dan Y).
Syarat dan Ketentuan Korelasi Product
Moment
1. Kedua variabel bersifat independen satu dengan
yang lainnya
2. Variabel yang akan dikorelasikan berbentuk gejala
yang bersifat kontinu atau data ratio dan data
interval.
3. Sampel yang diteliti mempunyai sifat homogen atau
mendekati homogen.
4. Regresinya merupakan regresi linear
5. Penyebaran data berdistribusi normal.
Ada tiga penafsiran hasil analisis korelasi. Pertama
melihat kekuatan hubungan dua variabel. Interpretasi
kekuatan hubungan antara dua variabel dilakukan dengan
melihat angka koefesien korelasi hasil perhitungan.
Kriterianya sebagai berikut (Sarwono, 2006) :
 0 : Tidak ada korelasi antara dua variabel
 > 0 – 0,25: Korelasi sangat lemah
 > 0,25 – 0,5 : Korelasi cukup
 > 0,5 – 0,75: Korelasi kuat
 > 0,75 – 0,99: Korelasi sangat kuat
 1 : Korelasi sempurna
Interpretasi kedua yaitu melihat signifikansi hubungan
dua variabel dengan didasarkan pada angka signifikansi yang
dihasilkan. Variabel signifikan apabila probabilitasnya < α.
Interpretasi ini akan membuktikan apakah hubungan kedua
variabel tersebut signifikan atau tidak.
Interpretasi ketiga melihat arah korelasi. Dalam korelasi
ada dua arah korelasi, yaitu searah dan tidak searah.
1. Membuat Hipotesis
2. Membuat Tabel Bantu untuk Menghitung Korelasi
3. Menentukan r Hitung dengan Rumus :

Keterangan :
r : koefisien korelasi
ΣX : jumlah skor item
ΣY : jumlah skor total (item)
n : jumlah sampel
4. Mencari r Tabel
Rumus untuk mencari nilai r tabel yaitu :
r table = (α; df)
Keterangan :
 Jika tingkat kepercayaan 95%, maka nilai α atau
signifikansi = 5% atau 0,05
 df = derajat kebebasan atau Degree of Freedom,
ditentukan dengan rumus: df = n – k, dimana :
 n = Jumlah sampel
 k = jumlah variabel (independen & dependen)

Selanjutnya, nilai r tabel bisa dicari di tabel berikut :


19
5. Mencari t Hitung
Untuk mencari t hitung, gunakan rumus :

Keterangan :
t : nilai hitung
r : koefisien korelasi hasil r hitung
n : jumlah sampel

6. Mencari t Tabel
Rumus untuk mencari nilai t tabel yaitu :
t table = (α/2; df)
Nilai t table bisa dicari di table berikut :
20
7. Menentukan Besarnya Kontribusi Variabel X Terhadap Y
Gunakan rumus koefisien determinasi (KD) sebagai
berikut :
KD = r2 x 100%

8. Membuat Simpulan
o Jika nilai r semakin mendekati +1 atau -1, maka
hubungan kedua variabel semakin kuat
o Jika t hitung / r hitung > t tabel / r tabel, Ho ditolak
artinya signifikan
o Jika t hitung / r hitung < t tabel / r tabel, Ho diterima
artinya tidak signifikan
o Semkain besar nilai KD, maka semakin besar
kontribusi varibel X terhadap Y
CONTOH 1
Sebuah penelitian untuk mengetahui apakah ada
hubungan antara Hb ibu hamil dengan berat badan bayi
lahirnya. Variabel yang digunakan adalah Hb ibu hamil
dan berat badan bayi lahir dengan skala data interval.
Peneliti mengumpulkan data sebanyak 20 responden,
melalui catatan medik di salah satu rumah sakit di
Jogjakarta. Hasil pengumpulan data kemudian di
masukkan pada tabel berikut ini :
No. Hb BBL No. Hb BBL
(mg/dL) (gram) (mg/dL) (gram)
1 11,2 2500 11 10,7 2700

2 11,3 2450 12 10,1 2560

3 11,5 2500 13 10,3 2600

4 10,6 2450 14 11,9 2700

5 10,7 2470 15 12,1 3200

6 10,5 2490 16 12,2 3400

7 11,6 2510 17 11,9 3000

8 11,7 2570 18 12,5 3200

9 11,3 2600 19 12,3 3400

10 11,4 3000 20 12,4 3400


1. Membuat Hipotesis
o H0 = Tidak ada hubungan antara Hb ibu hamil
dengan berat badan bayi
o H1 = Terdapat hubungan antara Hb ibu hamil
dengan berat badan bayi

2. Membuat Tabel Bantu


3. Menghitung Koefisien Korelasi
4. Mencari r Tabel
Klik Di Sini
Untuk
r tabel = (α; df) Melihat r
tabel
df = n – k
df = 20 – 2 = 18

Dengan melihat r tabel, maka didapatkan r tabel untuk


(0.05;18) two tail adalah 0.44

5. Mencari t Hitung
6. Mencari t Tabel Klik Di Sini
t tabel = (α/2; df) Untuk
Melihat t
df = n – k tabel

df = 20 – 2 = 18
Dengan melihat t tabel, maka didapatkan t table
untuk (0.025;18) adalah 2.10

7. Menentukan Besarnya Kontribusi Variabel X


Terhadap Y
KD = r2 x 100%
KD = (0.7573)2 x 100%
KD = 57.35%
8. Membuat Simpulan
Dari Hasil Perhitungan Di Atas, Diketahui :
o Nilai r hitung = 0.7573. Sehingga menurut Sarwono (2006), kedua
variabel mempunyai korelasi yang sangat kuat dan searah
o Harga r hitung = 0.7573, sedangkan r tabel = 0.44. Dengan demikian
r hitung > r tabel, maka H0 ditolak, dengan kata lain H1 diterima.
Harga t hitung = 4.92, sedangkan t tabel = 2.10. Dengan demikian t
hitung > t tabel , maka H0 ditolak, dengan kata lain H1 diterima.
Oleh karena itu dapat disimpulkan terdapat hubungan antara Hb
ibu hamil dengan berat badan bayi.
o Nilai KD = 57.35%, artinya sebesar 57.35% variasi dari variable Y
dapat diterangkan dengan variable X, sedangkan sisanya sebesar
42.65% dipengaruhi oleh variable – variable yang lain.
o Simpulan dari semua perhitungan adalah “Terdapat hubungan yang
sangat kuat dan searah antara Hb ibu hamil dengan berat badan
bayi, yang dipengaruhi sebesar 57.35%”
1. Langkah awal adalah masukkan data sejumlah 20
responden yang terdiri dari Hb ibu hamil (Hb) dan
berat badan bayinya (BBL) dari hasil penelitian
2. Selanjutnya data tersebut kita analisis dengan kita
klik menu Analyze-Correlate-Bivariate
3. Maka akan masuk dalam pengujian Correlate
Bivariate, yang artinya kita akan menguji korelasi
antara dua variabel. Maka akan tampil perintah uji :
4. Variabel yang ada pada kolom awal kita masukkan ke
variables, selanjutnya kita klik pada jenis uji yang
akan kita lakukan yaitu pada bagian Correlation
Coefficients, dan klik Pearson.
5. Selanjutnya kita klik OK dan akan tampil hasil
pengujian kita pada lembar output seperti gambar
berikut :
INTERPRETASI DATA
1. Koefisien korelasinya sebesar 0.757 dibaca pada nilai
pearson correlation. sesuai dengan pendapat
Sarwono, 2006 (> 0.75 – 0.99 : korelasi sangat kuat).
Sehingga dapat disimpulkan terdapat hubungan
antara Hb ibu hamil dengan berat badan bayi.
2. Nilai signifikan kemudian dibandingkan dengan
nilai α = 5% atau 0.05. Terlihat bahwa ilai р < 0.05,
sehingga H0 ditolak, artinya terdapat hubungan
antara Hb ibu hamil dengan berat badan bayinya.
3. Apabila nilai signifikan (р) < 0.05 maka pada nilai
koefisien korelasinya terdapat tanda bintang (*),
seperti pada nilai diatas dimana pearson correlated =
0.757*, ini menunjukkkan bahwa hasil pengujian
bermakna, atau signifikan.
PENGERTIAN UJI REGRESI

Analisis regresi adalah analisis yang bertujuan untuk


mengetahui apakah ada pengaruh suatu variabel terhadap
variabel yang lain. Tujuan utama dalam penggunaan analisis
ini adalah untuk meramalkan atau menduga nilai dari satu
variabel dalam hubungannya dengan variabel yang lain yang
diketahui melalui persamaan garis regresinya. Adakalanya
setelah kita memperoleh data berdasarkan sampel, kita
ingin menduga nilai dari suatu variabel Y yang
bersesuaian dengan nilai tertentu dari variabel X.
1. Regresi mampu mendeskripsikan fenomena data
2. Regresi dapat digunakan untuk melakukan
pengendalian (kontrol) terhadap suatu kasus
3. Untuk membuat perkiraan / memprediksi nilai
suatu variabel (variabel dependen) melalui
variabel yang lain (variabel independen).
PERSYARATAN PENGGUNAAN UJI REGRESI

1. Model regresi dikatakan layak jika angka


signifikansi pada ANOVA sebesar < 0.05
2. Predictor yang digunakan harus layak.
Kelayakan ini diketahui jika angka
Standard Error of Estimate < Standard
Deviation
3. Koefesien regresi harus signifikan
4. Tidak boleh terjadi multikolinieritas
5. Keselerasan model regresi dapat
diterangkan dengan menggunakan nilai r2
6. Terdapat hubungan linier antara variabel
bebas (X) dan variabel tergantung (Y)
7. Data harus berdistribusi normal
8. Data berskala interval atau rasio
9. Kedua variabel bersifat dependen
UJI REGRESI LINEAR SEDERHANA
Merupakan uji hubungan secara linear antara satu variabel
independen dengan variabel dependen
Secara matematis model persamaan garis regresi sebagai berikut :
Ŷ=a+bX

Dimana :
Ŷ : nilai Y yang diprediksi
X : variabel independen = variabel bebas = prediktor
a : intercept = nilai Ŷ bila X = 0, atau intercept/perpotongan garis
regresi dengan sumbu Y
b : slope = kemiringan garis regresi = koefisien regresi = nilai Y
meningkat sebesar b unit untuk setiap kenaikan nilai X sebesar
satu
Sedangkan a dan b diperoleh dengan persamaan
sebagai berikut:
Suatu Ibu
studi ingin melihat hubungan antara
BB Ibu (Kg)
variabel
BB Bayi (gram)
berat badan ibu dengan berat badan bayi yang
1 49.4 3515
dilahirkannya. Datanya sebagai berikut:
2 63.5 3742
3 68.0 3629
4 52.5 2880
5 54.4 3008
6 70.3 4068
7 50.8 3373
8 73.9 4124
9 65.8 3572
10 54.4 3359
1. Membuat Tabel Bantu
No X Y X2 Y2 XY
1 49.4 3515 2440.36 12355225 173641
2 63.5 3742 4032.25 14002564 237617
3 68.0 3629 4624 13169641 246772
4 52.5 2880 2756.25 8294400 151200
5 54.4 3008 2959.36 9048064 163635.2
6 70.3 4068 4942.09 16548624 285980.4
7 50.8 3373 2580.64 11377129 171348.4
8 73.9 4124 5461.21 17007376 304763.6
9 65.8 3572 4329.64 12759184 235037.6
10 54.4 3359 2959.36 11282881 182729.6
ΣY = 35270
ΣX = 603 ΣX2 = ΣY2 = ΣXY =
(ΣY)2 =
(ΣX)2 = 363609 37085.16 125845088 2152724.8
1243972900
2. Menghitung Koefisien Korelasi

Dapat disimpulkan ada hubungan yang kuat antara BB ibu


hamil dengan BB lahir bayi dengan r berpola linier positif
artinya semakin besar BB ibu hamil semakin besar pula BB
lahir bayi
3. Mencari Persamaan Garis Regresi

Sehingga, persamannya adalah Ŷ = 1366 + 35.853X


Artinya tiap kenaikan pada X sebesar 1 satuan X akan
meningkatkan Y sebesar 35.853 satu satuan Y.
Tiap kenaikan BB ibu hamil sebesar 1 kg maka
meningkatkan BB lahir bayi sebesar 35.853 gram
4. Membuat Simpulan
Dari hasil perhitungan di atas, diketahui :
o Nilai r hitung = 0.801. Sehingga menurut Sarwono
(2006), kedua variabel mempunyai korelasi yang
sangat kuat dan searah
o Persamaan garis regresinya adalah Ŷ = 1366 +
35.853X. Artinya tiap kenaikan pada X sebesar 1
satuan X akan meningkatkan Y sebesar 35.853 satu
satuan Y.
o Simpulan dari semua perhitungan adalah
“Terdapat hubungan yang sangat kuat dan searah
antara BB ibu hamil dengan berat badan lahir bayi,
yang dirumuskan dengan persamaan Ŷ = 1366 +
35.853X”
1. Langkah awal adalah masukkan data sejumlah 10
responden yang terdiri dari berat badan ibu
(BB_Ibu) dan berat badan bayinya (BBL) dari hasil
penelitian. Pada data view, akan tampil hasil sebagai
berikut :
2. Selanjutnya data tersebut kita analisis dengan kita
klik menu Analyze, lalu submenu Regression,
kemudian pilih Linear
3. Selanjutnya akan muncul kotak dialog Linier
Regression seperti gambar berikut :
4. Untuk pengisiannya yaitu untuk pilihan Dependent
(variabel terikat), pilih variable BBL. Untuk
Independent (s) pilih BB_Ibu. Untuk bagian
“Method”, pilih “Enter”.
5. Selanjutnya klik kotak menu Statistics. Pilih
Estimates, Model fit, dan Descriptives. Tampilan
muncul seperti berikut
6. Klik continue. Kemudian tekan OK untuk prosessing
data. Maka outputnya diperoleh sebagai berikut :
Bagian ini menggambarkan tingkat signifikansi. Dari uji
ANOVA atau F test, didapat F hitung = 14.340 dengan tingkat
signifikansi sebesar 0.005. Karena probabilitas (tingkat
signifikansi) ini lebih kecil daripada 0.05, maka model
regresi ini bisa dipakai untuk memprediksi tingkat Berat
Badan lahir bayi.
Selain itu, bisa juga dengan cara membandingkan nilai F test
dengan F tabel.
Df 1 atau n1 = (k-1), Df 2 atau n2 = (n-k)
Shingga didapat (n1;n2) = (1;8). Nilai F (1;8) pada F Tabel
adalah 5.32. Sehingga F test > F Tabel yang artinya berat
badan ibu berpengaruh terhadap berat badan bayi.
Analisis regresi linier berganda adalah hubungan secara
linear antara dua atau lebih variabel independen (X1, X2,….Xn)
dengan variabel dependen (Y). Analisis ini untuk
mengetahui arah hubungan antara variabel independen
dengan variabel dependen.apakah masing – masing variabel
independen berhubungan positif atau negatif, dan untuk
memprediksi nilai dari variabel dependen apabila nilai
variabel independen mengalami kenaikan atau penurunan.

Persamaan regresi linear berganda sebagai berikut:


Ŷ = a + b1X1+ b2X2+…..+ bnXn
Misalnya dalam suatu kegiatan penelitian ingin
diketahui apakah variabel X (Jenis dan Nilai harian 1)
berpengaruh terhadap variabel Y (nilai rapot) serta
seberapa besar pengaruh variable X terhadap variable Y.
Data penelitian adalah sebagai berikut:
1. Masukan data sehingga tampak hasilnya sebagai
berikut:
2. Lakukan analisis dengan cara: Analize  Regression
 Liniear. Maka akan muncul dialog seperti gambar
berikut :
3. Selanjutnya isilah kotak menu Dependen dengan
variabel terikat, yaitu variabel Nilai Raport dan kotak
menu independen dengan variabel bebas, yaitu
variabel Jenis Kelamin dan Ulangan Harian 1. Seperti
pada gambar berikut :
4. Selanjutnya klik kotak menu Statistics. Pilih
Estimates, Model fit, dan Descriptives. Tampilan
muncul seperti gambar berikut :
5. Selanjutnya klik continue. Kemudian klik kotak
menu Plots yang berfungsi untuk menampilkan
grafik pada analisis regresi. Kemudian klik Normal
probanility plot yang terletak pada kotak menu
Standardized Residual plots. Tampilnnya seperti
gambar berikut :
6. Selanjutnya klik continue, kemudian kliklah OK.
Beberapa saat kemudian akan keluar outputnya,
sebagai berikut:
Pada tabel diatas angka R Square adalah 0.063 yaitu
hasil kuadrat dari koefisien korelasi (0.250 x 0.250 =
0,063). Standar Error of the Estimate adalah 9.181,
perhatikan pada analisis deskriptif statitik bahwa
standar deviasi nilai rapot adalah 8.779 yang jauh lebih
kecil dari standar error, oleh karena lebih besar daripada
standar deviasi nilai rapot maka model regresi tidak
bagus dalam bertindak sebagai predictor nilai rapot
Hipotesis:
H 0 : b1 = b 2 = 0
H1 : ada bi yang tidak nol

Pengambilan keputusan:
o Jika F hitung ≤ F tabel atau probabilitas (Sig) ≥ 0.05,
maka H0 diterima
o Jika F hitung > T tabel atau probabilitas (Sig) < 0.05,
maka H0 ditolak
o Dari tabel di atas, dapat dilihat nilai F hitung yaitu 0.401,
sedangkan nilai F tabel dapat diperoleh dengan menggunakan
tabel F dengan derajat bebas (df) Residual (sisa) yaitu 12 (n-k)
sebagai df penyebut dan df Regression (perlakuan) yaitu 2 (k-1)
sebagai df pembilang dengan tarap siginifikan 0.05, sehingga
diperoleh nilai F tabel yaitu 3.89. Karena F hitung (0.401) < F
tebel (3.89) maka H0 diterima.
o Berdasarkan nilai Signifikan, terlihat pada kolom sig yaitu 0.679
itu berarti probabilitas 0.679 lebih daripada 0.05 maka H0
diterima.

Kesimpulan:
Tidak ada koefisien yang tidak nol atau koefisien berarti, maka
model regresi tidak dapat dipakai untuk memprediksi nilai rapot
Hipotesis:
H0 : Bi = 0
H1 : ada Bi yang tidak nol, i = 1 atau 2

Pengambilan keputusan:
o Jika t hitung ≤ t tabel atau probabilitas (sig) ≥ 0.05,
maka H0 diterima
o Jika t hitung > T tabel atau probabilitas (sig) < 0.05
maka H0 ditolak
 Constant: Berdasarkan tabel diatas, dapat dilihat bahwa nilai t hitung untuk
Constant yaitu 5.360, pada t tabel dengan df 12 dan taraf signifikan 0.05
diperoleh t table = 1.782. Karena t hitung > t tabel maka H0 ditolak. Sedangkan
sig untuk Constant adalah 0.000 yang berarti probabilitas 0.000, karena
probabilitas < 0.05, maka H0 ditolak. Berarti nilai Constant bermakna dan
diramalkan tidak melalui titik (0,0).
 Jenis Kelamin: Berdasarkan tabel di atas, dapat dilihat bahwa nilai t hitung
untuk Jenis Kelamin yaitu -0.277. Karena t hitung < t tabel maka H0 diterima.
Sedangkan sig untuk Jenis Kelamin adalah 0.786 yang berarti probabilitas
0.786, karena probabilitas > 0.05, maka H0 diterima. Artinya b untuk jenis
kelamin tidak berarti.
 Ulangan Harian 1: Berdasarkan tabel di atas, dapat dilihat bahwa nilai t hitung
untuk Ulangan Harian 1 yaitu 0.882. Karena t hitung < t tabel maka H0
diterima. Sedangkan sig untuk Ulangan Harian 1 adalah 0.395 yang berarti
probabilitas 0.395, karena probabilitas > 0.05, maka H0 diterima. Artinya b
untuk Ulangan Harian 1 tidak berarti

Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu:
Y = 69.429 (Tidak dipengaruhi jenis kelamin dan ulangan harian 1)