Uji Numerik - Numerik

Uji Korelasi
(Pearson Product Moment)
Maridi M. Dirdjo
 Pendahuluan
• Seringkali dalam suatu penelitian, peneliti
ingin mengetahui hubungan antara dua
variabel yang berjenis numerik.
• Misal: Hubungan berat badan dengan
tekanan darah
Hubungan umur dengan kadar Hb
• Dari hubungan antar dua variabel dapat
dihasilkan dua jenis:
– Derajat/ keeratan hubungan
– Arah hubungan dua variabel numerik.
 Pengertian Korelasi
• Suatu uji yang berfungsi untuk mengetahui
derajat atau keeratan hubungan dan arah
hubungan dua variabel numerik
 Hasil Uji Korelasi
• Apakah hubungan kedua variabel kuat,
sedang atau lemah
• Apakah kedua variabel berpola positif atau
negatif
 Derajat Hubungan
• Secara sederhana dapat dilihat dengan
scatter plot/ diagram tebar
• Derajat keeratan hubungan dapat dilihat
dengan kerapatan datanya
 Negatif

Positif

Tidak Berhubungan
 Derajat Hubungan
• Untuk mengetahui besar atau derajat
hubungan dua variabel digunakan koefisien
korelasi Pearson Product Momen atau
korelasi Spearman
• Koefisien korelasi disimbolkan dengan r
(huruf r kecil).

r=
• Koefisien korelasi (r) di dapat dari rumus:

• r=
 Pearson Product Moment
• Syarat: Data harus normal, numerik -
numerik
• Jika data tidak normal: gunakan Spearman
Range Test
 Derajat dan Arah Hubungan
• Nilai koefisien korelasi (r) berkisar 0 s/d 1
atau jika disertai dengan arah antara -1 s/d
+1.
• r = 0 tidak ada hubungan
• r = -1 hubungan linier negatif
• r = +1 hubungan linier positif
 Interprestasi Uji Korelasi
No Parameter Nilai Interprestasi
1 Kekuatan r = 0,01 - 0,25 Hubungan Lemah
korelasi (r) r = 0,26 – 0,50 Hubungan sedang
r = 0,51 – 0,75 Hubungan kuat
r = 0,76 – 1,00 hubungan sangat kuat/ sempurna
2 Nilai p P < 0,05 Terdapat korelasi yang bermakna
antara dua varabel yang diuji
P > 0,05 Tidak terdapat korelasi yang
bermakna antara dua varabel yang
diuji
3 Arah korelasi + (positif) Searah, semakin besar nilai suatu
variabel semakin besar pula nilai
variabel lainnya
- (negatif) Berlawanan arah, semakin besar nilai
suatu variabel semakin kecil nilai
variabel lainnya
 Contoh soal
• Suatu penelitian ingian menguji hubungan
berat badan dengan tekanan darah sistolik
pada pasien hipertensi. Penelitian
mendapatkan dari 10 orang yg ikut studi
dengan hasil sbb :
 n BB (x) TD Sistol (y)
1 70 180
2 80 190
3 90 185
4 50 155
5 80 170
6 35 125
7 90 205
8 80 170
9 80 190
10 40 145
 jawab
n x y x² y² xy
1 70 180 4.900 32.400 12.600
2 80 190 6.400 36.100 15.200
3 90 185 8.100 34.225 16.150
4 50 155 2.500 24.025 7.750
5 80 170 6.400 28.900 13.600
6 35 125 1.225 15.625 4.375
7 90 205 8.100 42.025 18.450
8 80 170 6.400 28.900 13.600
9 80 190 6.400 36.100 15.200
10 40 145 1.600 21.025 5.800

∑ 695 1.715 52.025 299.325 122.725

 n (∑xy) - (∑x) (∑y)
r = -----------------------------------------------
Ѵ n(∑x² - (∑x)² X {(n∑y² - (∑y)²}
10(122.725) – (695) (1715)
r = --------------------------------------------------------------------
Ѵ 10(52.025) – (695)² X 10(299.325) – (1715) ²
35.325
r = ---------------------------------
Ѵ 37.225 X 52.025
r = 0.8
• Karena r = 0,8, maka memang didapatkan
korelasi yang kuat sekali antara BB denga
tekanan tekanan darah sistolik
• Pertanyaan :
– “apakah korelasi ini kuat bila diterapkan pd
populasi?”.
• Jawab :
n-2
t=rX ---------- df = n - 2
1 - r²
r = 0,8 n = 10
10 - 2
t = 0,8 x -----------------
1 – (0,8)²
t = 3,768

α = 0,05
jadi nilai kritisnya = 1,8596
df = 8
• Maka nilai t hitung (3,768) > NK (1,8596)
jadi H0 di tolak :
Ada hubungan bermakna antara berat badan
dengan tekanan darah sistolik pada pasien
hipertensi
Hubungan kedua variabel kuat dan berpola
positif, artinya semakin tinggi berat badan
seseorang maka tekanan darah sistoliknya
semakin tinggi pula.
 CONTOH ANALISIS
KORELASI

Ingin diketahui adakah korelasi (hubungan)

antara gaji, usia dan pengalaman karyawan
pada suatu perusahaan tertentu
 ILUSTRASI ANALISIS
KORELASI
Gaji
Gaji Usia
Usia Pengalaman
Pengalaman

• 635.000
115.000 23.00
30.00 4.00
2.00
• 245.000
695.000 21.00
30.00 2.00
7.00
• 315.000
785.000 21.00
30.00 4.00
7.00
• 365.000
402.500 22.00
30.00 3.00
4.00
• 575.000
612.500 24.00
31.00 5.00
6.00
• 385.000
425.000 25.00
20.00 4.00
• 425.000
680.000 25.00
24.00 4.00
6.00
• 350.500
623.000 26.00
27.00 3.00
6.00
• 587.000
651.500 29.00
29.00 5.00
• 985.000
620.000 30.00
31.00 7.00
6.00
 Langkah - langkah
• Masukkan data pada SPSS
• Uji normalitas terlebih dahulu
• Pilih Analyze > Correlate > Bivariate
1. Pilih variabel yang akan dikorelasikan
2. Pada Correlation Coefficients, pilih Pearson (data
parametrik) atau Spearman (data nonparametrik)
3. Pada Test of Significance, pilih Two-tailed (uji dua sisi)
atau One-tailed (uji satu sisi)
4. Aktifkan Flag significant correlation (untuk mengetahui
signifikansi koefisien korelasi
5. Klik OK
 HASIL ANALISIS
Correlations

GAJI USIA P_ALAMAN

GAJI Pearson Correlation 1.000 .676** .910**
Sig. (2-tailed) . .001 .000
N 20 20 20
USIA Pearson Correlation .676** 1.000 .652**
Sig. (2-tailed) .001 . .002
N 20 20 20
P_ALAMAN Pearson Correlation .910** .652** 1.000
Sig. (2-tailed) .000 .002 .
N 20 20 20
**. Correlation is significant at the 0.01 level (2-tailed).
 INTERPRETASI
Antara gaji dan usia terdapat korelasi positif yang signifikan
(nilai sig. 0.001 < 0.05) dengan koefisien korelasi sebesar
0.676 (HUBUNGAN KUAT). POSITIF Artinya semakin
besar usia maka semakin besar pula gajinya
Antara gaji dan pengalaman terdapat korelasi positif yang
signifikan (nilai sig. 0.000 < 0.05) dengan koefisien
korelasi sebesar 0.910 (SANGAT kuat ). HUBUNGAN
POSITIF Artinya semakin lama pengalaman maka
semakin besar gajinya
Antara usia dan pengalaman terdapat korelasi positif yang
signifikan (nilai sig. 0.002 < 0.05) dengan koefisien
korelasi sebesar 0.652 (HUBUNGAN KUAT). POSITIF
Artinya semakin tua usia maka semakin lama pengalaman
 Tabel uji statistik
Masalah Jenis Hipotesis (Asosiasi)
skala
Komparatif Korelasi
pengukuran
Berpasangan Tidak berpasangan

Numerik 2 Kelompok > 2 kelp 2 kelompok >2 kelp Pearson

Product
Uji t One way Uji t tidak Repeat moment
berpasangan Anova berpasangan Anova
Kategorik Mann Kruskal Wilcoxon Friedmann Spearman
(ordinal) Whitney Wallis Somers’d
Gamma
Kategorik Chi square Mc Nemar, Cochran Koefisien
(nominal/ Fisher exact Marginal homogenity, Kontingensi
Ordinal) Kolmogorov-Smirnov (BxK) Wilcoxon, Friedman Lambda
(Prinsip P x K)
 Selamat belajar dan mencoba

WASSALAMU ALAIKUM