UJI KORELASI PEARSON

(Product Moment) &

KORELASI SPEARMAN

Healthy Hidayanty

Oktober 2016
 Pendahuluan
• Analisis korelasi  salah satu tekhnik statistik yang
sering digunakan untuk mencari hubungan antara dua
variabel
• Korelasi = hubungan
• Tujuan analisis korelasi  mengetahui pola/arah dan
keeratan hubungan antara dua atau lebih variabel
• Lambang dua variabel yang akan diselidiki  X dan Y
• Uji korelasi tidak membedakan adanya variabel dependen
dan variabel independen
 Arah Korelasi
• Arah korelasi menunjukkan pola gerakan variabel Y
terhadap gerakan variabel X
• Terdapat tiga arah korelasi :
1. Korelasi positif
(Kenaikan nilai X diikuti oleh kenaikan nilai Y dan
sebaliknya)
2. Korelasi negatif
(Kenaikan nilai X diiringi dengan penurunan nilai Y dan
sebaliknya)
3. Korelasi nihil
(Hubungan antara X dan Y tidak jelas atau tidak teratur)
 Arah Korelasi
Y Y

X X
Korelasi Positif Korelasi Negatif

Korelasi Nihil/Nonlinear

X
Tingkat Keeratan Hubungan Dua Variabel

Koefisien korelasi dilambangkan dengan huruf (r)

Koefisien korelasi dinyatakan dengan bilangan, bergerak
antara 0 sampai +1 atau 0 sampai -1.
Nilai korelasi mendekati +1 atau -1  terdapat hubungan
yang kuat
Nilai korelasi yang mendekati nilai 0  terdapat hubungan
yang lemah
Nilai korelasi = 0  antara kedua variabel tidak terdapat
hubungan sama sekali
Nilai korelasi +1 atau -1  terdapat hubungan yang sempurna
antara kedua variabel
 Uji Korelasi Pearson  Karakteristik

• Korelasi Pearson atau Product Moment

digunakan Untuk Jenis statistik parametrik
untuk mengukur hubungan linear antara dua
variabel
• Data dengan skala numerik (minimal interval)
• Data terdistribusi normal
 Uji Korelasi Pearson
Menghitung koefisien korelasi Pearson
Rumus :

(n Σ XiYi ) – (Σ Xi) (ΣYi )

r = ---------------------------------------------------------
( n Σ Xi2 – (Σ Xi )2 )( n Σ Yi2 – (Σ Yi )2 )
Dimana :
r = koefisien korelasi pearson
Xi = variabel x suku ke-i
Yi = variabel y suku ke-i
Σ = Sigma = jumlah
 Uji Korelasi Pearson  Perhitungan
Contoh :
Apakah ada hubungan antara berat badan dan
volume plasma laki-laki sehat (n=8)
Subyek Berat Badan (kg) Plasma Plasma (volume)
1 58,0 2,75
2 70,0 2,86
3 74,0 3,37
4 63,5 2,76
5 62,0 2,62
6 70,5 3,49
7 71,0 3,05
8 66,0 3,12
Uji Korelasi Pearson  Penyelesaian
Subjek X Y X2 Y2 X*Y
1 58,0 2,75 3364 7,56 159,5
2 70,0 2,86 4900 8,18 200,2
3 74,0 3,37 5476 11,36 249,38
4 63,5 2,76 4032,25 7,62 175,26
5 62,0 2,62 3844 6,86 162.44
6 70,5 3,49 4970,25 12,18 246,49
7 71,0 3,05 5041 9,30 216,55
8 66,0 3,12 4356 9,73 205,92
JML 535 24,02 35983,5 72,79 1615,74
Uji Korelasi Pearson  Penyelesaian
(n Σ XiYi ) – (Σ Xi) (ΣYi )
r = ---------------------------------------------------------
( n Σ Xi2 – (Σ Xi )2 )( n Σ Yi2 – (Σ Yi )2 )
8(1615,74) – (535) (24,02)
r = ---------------------------------------------------------
( 8 (35983,5 )– (535)2 )( 8 (72,79) – (24,02)2 )
r = 0.759
Uji Korelasi Pearson  SPSS
Uji Korelasi Pearson  SPSS
Uji Korelasi Pearson  SPSS
Uji Korelasi Pearson  SPSS
Uji Korelasi Pearson  Interpretasi
• Koefisien korelasi antara berat badan dan
plasma darah adalah 0.759, biasanya angka
yang mendekati nilai 1 atau (-1) berarti sangat
signifikan
• Tanda * menunjukkan bahwa koefisien korelasi
tersebut signifikan pada taraf kepercayaan 95%.
Nilai 0.759 (positif), artinya bahwa semakin
tinggi berat badan, maka akan semakin tinggi
plasma darah seseorang (positive correlation).
Uji Korelasi Spearman  Karakteristik
• Mengukur keeratan hubungan berdasarkan
ranking dari masing-masing data sehingga
disebut rank correlation coefficient
• Sebelum dianalisis, data disusun berdasarkan
ranking terhadap data lain
• Jika ada data-data yang mempunyai nilai sama,
diambil rata-ratanya untuk memberikan ranking
dan data-data tersebut diberi ranking yang
sama.
 Uji Korelasi Spearman  Karakteristik

• Tidak mengasumsikan bahwa hubungan dua

variabel bersifat linier (berbeda dengan pearson)
• Datanya tidak harus numerik (interval atau rasio),
dapat digunakan untuk data ordinal
• Data tidak terdistribusi normal
• Ranking dalam korelasi spearman tidak
mencerminkan posisi jarak yang sama
• Angka yang sama harus diberi rank yang sama
 Uji Korelasi Spearman  Rumus
Menghitung koefisien korelasi Spearman
Rumus :

6 (Σ di2 )
r = 1 – ------------------
n(n2 - 1)
Dimana :
r = koefisien korelasi spearman
n = banyaknya pasangan data
d = selisih dari tiap pasangan ranking
Σ = Sigma = jumlah
 Uji Korelasi Spearman  Contoh
• Apakah ada hubungan antara umur dengan
status kesehatan. Dimana umur dinyatakan
dalam tahun, dan status kesehatan dinyatakan
dalam skor 1-25.
Uji Korelasi Spearman  Penyelesaian
• Penyelesaian :
1. Hipotesis
Ho : tidak ada hubungan antara umur dan status
kesehatan.
Ha : ada hubungan antara umur dan status
kesehatan.
2. Kriteria pengujian hipotesis
Ha : diterima bila harga Signifikansi correlasinya () <
0.05 (95%) atau < 0.01 (99%)
Uji Korelasi Spearman  Penyelesaian
No Umur (X) St.Kes (Y) Ranking Ranking d (y-x) d2
dari X dari Y
1 10 3 1 1 0 0
2 12 6 2.5 3 0.5 0.25
3 20 11 9.5 9 -0.5 0.25
4 22 14 11 12 1 1
5 16 10 5 7.5 2.5 6.25
6 24 15 12.5 13 0.5 0.25
7 18 9 7 6 -1 1
8 28 21 15 15 0 0
9 20 12 9.5 10 0.5 0.25
10 17 5 6 2 -4 16
11 19 10 8 7.5 -0.5 0.25
12 24 13 12.5 11 -1.5 2.25
13 15 8 4 4.5 0.5 0.25
14 27 18 14 14 0 0
15 12 8 2.5 4.5 2 4
SUM 32
Uji Korelasi Spearman  Penyelesaian
• Dihitung menggunakan rumus :
6 (32)
• R=1– = 0.94286 = 0.943
15 (152 – 1 )
Uji Korelasi Spearman  SPSS
Uji Korelasi Spearman  SPSS
Uji Korelasi Spearman  SPSS
 Uji Korelasi Spearman  Interpretasi
• Koefisien korelasi antara umur dan status
kesehatan adalah 0.943, biasanya angka yang
mendekati nilai 1 atau (-1) berarti sangat
signifikan
• Tanda ** menunjukkan bahwa koefisien korelasi
tersebut signifikan pada taraf kepercayaan 99%.
Nilai 0.943 (positif), artinya bahwa semakin
tinggi umur, maka akan semakin tinggi status
kesehatan seseorang (positive correlation).
Test Normalitas Data
Test Normalitas Data
Test Normalitas Data
 Interpretasi Uji Normalitas Data
• Jika jumlah sample > 30  Kolmogorov-
Smirnov, Jika jumlah sample < 30  Shapiro-
Wilk.
• Jika nilai Sig. > 0.05  Data terdistribusi
normal,  Gunakan uji korelasi parametrik
(gunakan uji Korelasi Pearson)
• Jika nilai Sig. < 0.05  Data tidak terdistribusi
normal  Gunakan uji korelasi non parametrik
(gunakan uji Korelasi Spearman)