KETERKAITAN ANTAR

VARIABEL
 Keterkaitan Variabel
Contoh:
 Besar atau kecilnya penghasilan akan

sejalan dengan pengeluaran

 Kenakalan remaja berhubungan erat

dengan pola asuh orangtua

 Semakin banyak orang yang merokok akan

semakin banyak asap rokok

 Keterkaitan Variabel
 Kalimat-kalimat tersebut merupakan hipotesis dari
suatu penelitian, sehingga melalui data empirik,
statistika dapat membantu peneliti untuk menguji
hipotesis tersebut (Statistika induktif) →
DATA (X, Y)
 Perhitungan diawali deskriptif (koef.
korelasi/derajat asosiasi) berdasarkan data empirik
dari sampel
PERHATIKAN SKALA PENGUKURAN VARIABEL
Jenis variabel
 Bentuk:
 Kualitatif: nominal dan ordinal
 Kuantitatif  skala ukur: nominal, ordinal,
scale: interval & ratio
 Fungsi:
 Independent
 Dependent
 Mediator
 Moderator
 Bentuk hipotesis statistik
 Hipotesis statistik:
H0 : Tidak terdapat hubungan antara
variabel X dan Y
H1 : Terdapat hubungan antara variabel X
dan Y
 Bentuk-bentuk keterkaitan
variabel
 Korelasi, Asosiasi, Relasi
X ↔ Y;
 Prediktif (pengaruh)
X→Y

Erat/tidaknya keterkaitan variabel : koef.

korelasi; derajat asosiasi
 Koefisien Korelasi/Derajat
Asosiasi (rxy)
 -1,00 : hub. sempurna negatif
+1,00 : hub. sempurna positif
 ± 0,00 – 0,25 : no/low/weak association
± 0,26 – 0,50 : moderatly low/weak association
± 0,51 – 0,75 : moderatly high/strong association
± 0,76 – 1,00 : high/strong/perfect association
 Koef. Determinasi: r2 × 100% → variabel X dan Y
saling mengkontribusi sebesar …%
Koefisien Korelasi/Derajat
Asosiasi (rxy)
 Barbara (dalam Statistical Methods for Health
Care Research, 2001) menguraikan kategori
koefisien korelasi beserta interpretasinya,
.00 - .25 : little if any
.26 - .49 : low
.50 - .69 : moderate
.70 - .89 : high
.90 – 1.00 : very high
 Korelasi Pearson Product
Moment (Pearson’s r/ryx/rxy)
 Asumsi: 2 variabel yang akan
dikorelasikan berbentuk kuantitatif
berskala minimal interval & bentuk
hubungan X & Y berpola linear
 Skema data: Subyek X
i Yi

1 x1 y1
2 x2 Y2
3

N Xn Yn
Tahapan analisis
 Periksa adakah pola hubungan (yang
linear)  scattergrams (scatter plot)
 Hitung koefisien korelasi Pearson’s r
 Uji hipotesis adanya hubungan
 Hitung confidence interval r
 Buat interpretasinya
 Rumus koefisien korelasi
(perhitungan deskriptif koefisien korelasi)

n  n  n 
n X iYi    X i   Y i 
  
ryx  i 1  i 1  i 1 
 n n 2 n n 2
 2
   2
  
n X i    X i   n Yi    Yi  
 i 1  i 1    i 1  i 1  
 Tehnik perhitungan
 Jika manual (tanpa alat bantu):
Subyek Xi Yi Xi2 Y i2 Xi Yi
1 X1 Y1 X12 Y 12 X1 Y1
2 X2 Y2 X22 Y 22 X2 Y2
3 X3 Y3 X32 Y 32 X3 Y3
: : : : : :
n Xn Yn Xn2 Yn2 X n Yn
 Tehnik perhitungan
 Dapat menggunakan kalkulator
bermemori melalui program LR
 Dapat menggunakan program komputer:
SPSS, Statistica, dan lainnya.
 Perhitungan induktif (pengujian hipotesis)
 Hipotesis penelitian: variabel X berhubungan signifikan
dengan variabel Y
 Hipotesis statistik:
H0 : Tidak terdapat hubungan antara variabel X dan Y
H1 : Terdapat hubungan antara variabel X dan Y
 Hipotesis statistik:
 yx  0
H0 :
 yx  0
H1 :
 Perhitungan induktif (pengujian hipotesis)
 Statistik uji:
ryx n  2
thitung 
2
1  ryx

 Kriteria uji:
 Tolak H0, jika thitung≥ttabel (dengan taraf nyata alpha

tertentu), dengan derajat bebas (dk=n-2)

 Tolak H0, jika p-value dari statistik uji ≤ taraf nyata. P-value

diperoleh dari tabel t-student yang sesuai dengan harga t

hitung dan derajat bebas (dk) = n-2
 Analisis hubungan kausal (regresi)
 Asumsi dan skema data sama seperti korelasi
Pearson’s r
 X dan Y harus dapat dibedakan menjadi
independent dan dependent variable, misal X=IV
dan Y=DV
 Hubungan kausal X dan Y misalnya bersifat linear
sehingga dapat dinyatakan dalam persamaan
matematis: Y=a+bX
 Dengan regresi dapat dilakukan prediksi terhadap
DV (Y’) dari X berdasarkan koefisien regresi
 Analisis hubungan kausal (regresi)
 a & b adalah koefisien regresi (b=slope
dari garis regresi, a=intercept/sebuah
konstanta)
 Rumus: a  Y  (b) X
Y
br
X
 Tehnik perhitungan: manual, kalkulator
atau komputer
 Analisis hubungan kausal (regresi)
 Hipotesis penelitian: variabel X berpengaruh signifikan
terhadap variabel Y
 Hipotesis statistik:
H0 : Tidak terdapat hubungan prediktif X terhadap Y
H1 : Terdapat hubungan prediktif X terhadap Y
 Hipotesis statistik:
H0 :   0
 0
H1 :
 Analisis hubungan kausal (regresi)
 Statistik uji: ANAVA (statistik uji F-
Snedecor)
 Kriteria uji:
 Tolak H0, jika p-value dari statistik uji ≤

taraf nyata
 Secara deskriptif hubungan dan atau
pengaruh X terhadap Y dapat dilihat
melalui scatter plot
Untuk Regresi multipel
(beberapa persyaratan)
 Contoh untuk dua IV dan 1 DV
 Ada pola hubungan linear antara IV 1
dengan DV dan IV 2 dengan DV 
buktikan dengan scatter plot
 Tidak ada multicolinearity artinya tidak
ada hubungan yang kuat diantara variabel
– variabel IV atau koefisien korelasi antara
variabel-variabel IV harus dibawah 0.8
 Korelasi Rank Spearman
(The Spearman rho)
 Charles Spearman, a British psychologist,
developed what has been variously called a
“rank-order correlation coefficient”, a “rank-
difference correlation coefficient”, or simply,
Spearman’s rho.
 Sering digunakan bila ukuran sampel kecil (n≤30
pasangan data)
 Khususnya bila pasangan data berskala ordinal
bentuknya numerik
 Proses perhitungan menggunakan ranking data
(X, Y)
 Rumus Korelasi Rank Spearman
(The Spearman rho)
 Ranking (X, Y) harus berpola linear pd scatter
plot n
6 di2
 Bila tak ada data kembar: i 1
rs  1 
n3  n

 Bila ada data kembar: n Tx  Ty  

3
 
i 1
2
n  n  6  di 
2
rs 
    
2
3
n n  Tx  Ty n3  n  Tx Ty
 Skema data

Subyek Xi Yi R(Xi ) R(Yi ) di = R(Xi )- R(Yi )

1 X1 Y1 R(X1 ) R(Y1 ) d1
2 X2 Y2 R(X2 ) R(Y2 ) d2
3 X3 Y3 R(X3 ) R(Y3 ) d3
: : : : : :
n Xn Yn R(Xn ) R(Yn ) dn
 Keterangan
g
dan statistik uji
 Tx dan Ty =  ti3  ti 
i 1

 Statistik uji:
rs n  2
thitung 
1  rs2
 Kriteria uji:
 Tolak H0, jika r hitung > r tabel (sesuai dengan taraf nyata) untuk
ukuran sampel kecil
 Tolak H0, jika thitung ≥ ttabel (dengan taraf nyata alpha tertentu)
dengan dk=n-2
 Tolak H0, jika p-value dari statistik uji ≤ taraf nyata
Point-biserial correlation
 Is a correlation coefficient designed for use
with a variable that is continuous in nature
and another variable that is true-not an
arbitrary-dichotomy.
 Notasi: rpbi
 Contoh: korelasi antara skor item
(correct/incorrect, true/false) dengan skor
total item
Point-biserial correlation
 Contoh data:
Subyek Item1 Item2 Item3 Item4 Item5 Total
1 1 0 0 1 1 3
2 1 0 0 1 1 3
3 0 0 1 1 1 3
4 0 0 1 1 1 3
5 1 1 1 1 1 5
6 0 1 0 1 1 3
7 1 1 0 1 1 4
8 1 1 1 0 1 4
9 0 1 1 0 1 3
10 1 1 1 1 0 4
Point-biserial correlation
 Rumus: misal ingin dilakukan analisis daya
beda item 1,
 X1  X  p
rPB   
  X  1 p

X = rata-rata skor total seluruh subyek

 X= simpangan baku skor total seluruh subyek
 = rata-rata skor total dari subyek yang menjawab benar
X1
item 1
 p = proporsi jumlah subyek yang menjawab benar item 1
Analisis asosiasi data kategori
 Menggunakan Chi-square
 The American Psychological Association (2001),
however, has called for a measure of the degree of
association called the effect size.
 Interpretasi:
 The phi coefficient ranges from 0 to 1. Cohen (1988)
defined the conventions for effect size as small =
0.10, medium = 0.30, and large = 0.50. (Correlation
coefficient and effect size are both measures of
association).
 Derajat Asosiasi Phi
 Derajat asosiasi untuk var. skala nominal
dengan tabel kontingensi berukuran 2 × 2
k1 k2 Jumlah
b1 A B A+B
b2 C D C+D
Jumlah A+C B+D N
 Rumus:
AD  BC

( A  B)(C  D)( A  C )( B  D )
 Pengujian Asosiasi Phi
 Hipotesis:
H0: Tidak terdapat hub. X dan Y
H1: Terdapat hub. X dan Y
 Statistik Uji:
2 2
  N
2 2
 Kriteria: Tolak H0 jika   (1 ); r 1,c 1
(lihat Tabel chi-square)
 Derajat Asosiasi Pearson C
 Derajat asosiasi untuk var. dengan skala
pengukuran nominal – nominal
 Data disajikan dalam bentuk tabel kontingensi
r×c
  k1 k2 kk Jumlah
b1 O11 O12 O1k R1
b2 O21 O22 O2k R2

bb Ob1 Ob20 Obk Rb

Jumlah C1 C2 Ck N
Derajat Asosiasi Pearson C
 Rumus:
O  Eij 
2
r c
  
2 ij

i 1 j 1 Eij
2

C 2
N
 Pengujian Asosiasi Pearson C
 Hipotesis:
H0: Tidak terdapat hub. X dan Y
H1: Terdapat hub. X dan Y

O  Eij 
2
 Statistik Uji: r c
  
2 ij

i 1 j 1 Eij

2 2
 
 Kriteria: Tolak H0 jika
(lihat Tabel chi-square) (1 );r 1,c 1
 Derajat Asosiasi Gamma
 Derajat asosiasi untuk var. dengan skala
pengukuran ordinal – ordinal
 Data disajikan dalam bentuk tabel kontingensi
berukuran r × c
 Rumus: 
  fa  fi
 f  f
a i
dengan: fa = frekuensi agreements
fi = frekuensi inversions
 Pengujian Asosiasi Gamma
 Hipotesis:
H0: Tidak terdapat hub. X dan Y
H1: Terdapat hub. X dan Y
Statistik Uji:
 f  f

a i
z  2
N (1   )
 Kriteria: Tolak H0 jika z  z1
(lihat Tabel Normal Baku)