4 HIPOTESIS Asosiatif
4 HIPOTESIS Asosiatif
HIPOTESIS ASOSIATIF
n xi y i (xi )(y i )
rxy
{nxi (xi ) }{ny i (y i ) }
2 2 2 2
TEHNIK KORELASI DALAM
PENGUJIAN HIPOTESIS
Macam Data Tehnik Korelasi
Nominal Koefisien Kontigency
Ordinal Spearman Rank
Kendal Tau
Interval atau rasio Pearson Product Moment
Korelasi Ganda
Korelasi Parsial
25. Uji Keterkaitan
POSITIF NEGATIF
makin besar nilai variabel 1 makin besar nilai variabel 1
menyebabkan makin besar menyebabkan makin kecil
pula nilai variabel 2 nilai variabel 2
Contoh : makin banyak waktu contoh : makin banyak waktu
belajar, makin tinggi skor bermain, makin kecil skor
Ulangan korelasi positif Ulangan korelasi negatif
antara waktu belajar antara waktu bermain
dengan nilai ulangan dengan nilai ulangan
NOL
tidak ada atau tidak menentunya hubungan dua variabel
contoh : pandai matematika dan jago olah raga ; pandai
matematika dan tidak bisa olah raga ; tidak pandai
matematika dan tidak bisa olah raga
korelasi nol antara matematika dengan olah raga
26. Uji Keterkaitan
1. KORELASI PEARSON :
apakah di antara kedua variabel terdapat hubungan, dan jika ada hubungan bagaimana
arah hubungan dan berapa besar hubungan tersebut.
Digunakan jika data variabel kontinyu dan kuantitatif
Siswa X X2 Y Y2 XY
A
B
ΣX ΣX2 ΣY ΣY2 ΣXY
CONTOH PERMASALAHAN
• Seorang peneliti ingin mengetahui apakah
terdapat hubungan antara motivasi dengan
hasil belajar
• Gambar :
Hasil Belajar
Motivasi (X) ? (Y)
CONTOH
• Data motivasi belajar hasil angket dari 10
siswa , adalah 60 80 80 50 70 60 70 70 50 80
• Data prestasi belajar dari hasil tes tertulis 10
siswa adalah 75 80 90 60 60 70 90 85 70 75
•
Tabel Perhitungan
X Y 2 2 XY
X Y
40 75 1600 5625 3000
60 80 3600 6400 4800
60 90 3600 8100 5400
30 60 900 3600 1800
50 60 2500 3600 3000
50 70 2500 4900 3500
70 90 4900 8100 6300
60 85 3600 7225 5100
40 70 1600 4900 2800
50 75 2500 5625 3750
Jmh =510 755 27300 58075 39450
Hasil Perhitungan r
n xi yi (xi )(yi )
rxy
{nxi (xi ) }{nyi (yi ) }
2 2 2 2
10.(39450) (510)(755)
rxy 0,803
{10.(27300) (510) }{10.(58075) (755) }
2 2
Hasil Perhitungan r
• Hasil perhitungan Nilai r = 0,803 positif
hasilnya
• Jadi antara variabel X (bebas) dan Y (terikat)
terdapat korelasi positif dan kuat, artinya
apabila motivasi dinaikkan maka prestasi
belajar akan meningkat.
• Penafsiran nilai r dapat dikonsultasikan
dengan harga kritik r product moment dengan
taraf signifikansi 1 % atau 5%
ANALISIS REGRESI
• Korelasi dan regresi keduanya mempunyai
hubungan yang sangat erat. Setiap regresi pasti
ada korelasinya, tetapi korelasi belum tentu
dilanjutkan dengan regresi.
• Analisis regresi dilakukan bila hubungan dua
variabel atau lebih berupa hubungan fungsional.
• Kita gunakan analisis regresi bila kita ingin
mengetahui bagaimana variabel terikat (Y) dapat
diprediksi melalui variabel bebas atau prediktor
(X)
REGRESI LINIER SEDERHANA
• Analisis regresi Linier sederhana dilakukan bila
hubungan dua variabel (X =variabel bebas)
dan (Y= variabel terikat) berupa hubungan
fungsional – sebab akibat.
X Y
Persamaan Garis Regresi Linier
Sederhana
• Karena populasi jarang diamati secara langsung, maka
digunakan persamaan regresi linier sederhana sampel
sebagai penduga persamaan umum regresi linier
sederhana populasi.
Y a bX
Y = variabel terikat yang diduga
X = variabel bebas yang diketahui
a,b = koefisien sampel
a = nilai Y, bila X=0
b = kemiringan garis regresi
METODE KUADRAT TERKECIL
• Harga a dan b dapat dicari dengan metode
kuadrat terkecil yaitu:
(Yi )( X i ) (X i )( X i Yi )
2
a
n.X i (X i ) 2
2
Correlations
prestas iY motivasiX
Pearson Correlation prestas iY 1,000 ,803
motivasiX ,803 1,000
Sig. (1-tailed) prestas iY . ,003
motivasiX ,003 .
N prestas iY 10 10
motivasiX 10 10
Hasil Perhitungan SPSS
Model Summaryb
Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 ,803a ,645 ,601 6,894 ,645 14,565 1 8 ,005
a. Predictors: (Constant), motivasiX
b. Dependent Variable: prestasiY
Hasil Perhitungan SPSS
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 38,140 10,029 3,803 ,005
motivasiX ,733 ,192 ,803 3,816 ,005
a. Dependent Variable: prestasiY
Hasil Perhitungan SPSS
Normal P-P Plot of Regression Standardized Residual
1.0
0.8
Expected Cum Prob
0.6
0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0
Observed Cum Prob
REGRESI LINIER GANDA
• Analisis regresi Linier berganda dilakukan bila
hubungan lebih dari dua variabel (X = variabel
bebas) dan (Y = variabel terikat)
X1
Y
X2
Persamaan Garis Regresi Linier
Berganda
• Persamaan umum regresi linier berganda :
Y a b1 X 1 b2 X 2
Nilai – nilai a, b1, dan b2 diperoleh dengan
rumus :
Yi a 0 n a1X 1i a 2 X 2 i
Yi X 1i a 0 X 1i a1X 1i a 2 X 1i X 2i
2
Yi X 2i a 0 X 2i a1X 1i X 2i a 2 X 2i
2
CONTOH PERMASALAHAN
• Seorang peneliti ingin mengetahui hubungan
antara motivasi dan aktivitas terhadap prestasi
belajar
• mengetahui seberapa besar pengaruh motivasi
dan aktivitas terhadap prestasi belajar
• Data motivasi belajar dari hasil pengamatan 10
siswa , adalah 60 80 80 50 70 60 70 70 50 80
• Data aktivitas belajar : 24 28 30 20 21 28 29 27 25
24
• Data hasil prestasi belajar dari hasil tes tertulis 10
siswa adalah 75 80 90 60 60 70 90 85 70 75
Tabel Perhitungan
2
X1 X2 Y X1Y X2Y X1 X 2 X1
2
X2
40 24 75 3000 1800 960 1600 576
60 28 80 4800 2240 1680 3600 784
60 30 90 5400 2700 1800 3600 900
30 20 60 1800 1200 600 900 400
50 21 60 3000 1260 1050 2500 441
50 28 70 3500 1960 1400 2500 784
70 29 90 6300 2610 2030 4900 841
60 27 85 5100 2295 1620 3600 729
40 25 70 2800 1750 1000 1600 625
50 24 75 3750 1800 1200 2500 576
Jmh =510 256 755 39450 19615 13340 27300 6656
KORELASI PARSIAL
• Pengujian hipotesis menggunakan korelasi
parsial, dimana salah satu variabel bebas
dikendalikan (dibuat tetap).
• Perhitungannya menggunakan rumus:
ryx1 ryx2 rx1x2
R yx1x2
1 r 2
x1 x2 1 r 2
yx2
KORELASI PARSIAL
• Hasil Perhitungan
0,803
X1
0,781 0,890 Y
X2 0,866
Hasil Perhitungan SPSS
Correlations (Korelasi antar variabel)
Correlations
** Correlation is significant at the 0.01 level (2-tailed).
• .
Y 9,68 0,297 X 1 1,98 X 2
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 9,683 15,277 ,634 ,546
motivasiX1 ,297 ,252 ,325 1,176 ,278 ,389 2,568
aktivitasX2 1,980 ,896 ,612 2,211 ,063 ,389 2,568
a. Dependent Variable: prestasiY
Koefisien korelasinya (R) = 0,890 ada hubungan sangat kuat antar
ketiga variabel tersebut.
Koefisien determinannya (R Square) = 0,791
Hal ini berarti nilai rata-rata prestasi belajar sebesar 0,79 atau 79%
ditentukan oleh motivasi dan aktivitas belajar melalui persamaan
regresi Y = 9,68 + 0,297X + 1,98X
dan sisanya sebesar 21 % ditentukan oleh faktor lain.
R yx1x2 0,890
Model Summaryb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 848,594 2 424,297 13,265 ,004a
Residual 223,906 7 31,987
Total 1072,500 9
a. Predictors: (Constant), aktivitasX2, motivasiX1
b. Dependent Variable: prestasiY
Deskripsi Statistik
Descriptive Statistics
Mean St d. Deviation N
prestasiY 75,50 10,916 10
motivasiX 51,00 11,972 10