KELOMPOK 3

CHRISTIAN LUDONG
ISTY WANTA
LEONARDO MERUNTU
SYALOMITHA ARIKALANG
VIKARISTI KUHU
 MATERI :

1.Pearson Product Moment Correlation

2.Multiple Correlation
 PENGERTIAN KORELASI
Secara sederhana, korelasi dapat diartikan sebagai hubungan.
Namun ketika dikembangkan lebih jauh, korelasi tidak hanya
dapat dipahami sebatas pengertian tersebut. Korelasi merupakan
salah satu teknik analisis dalam statistic yang digunakan untuk
mencari hubungan antara dua variable yang bersifat kuantitatif.
Hubungan dua variabel tersebut dapat terjadi karena adanya
hubungan sebab akibat atau dapat pula terjadi karena kebetulan
saja. Dua variable dikatakan berkolerasi apabila perubahan pada
variable yang satu akan diikuti perubahan pada variable yang lain
secara teratur dengan arah yang sama (korelasi positif) atau
berlawanan (korelasi negative).
Koefisien korelasi pearson atau Product Moment 
Coefficient of Correlation adalah nilai yang
menunjukan keeratan hubungan linier dua variabel
dengan skala data interval atau rasio. Rumus yang
digunakan adalah :
Koefisien korelasi rangking Spearman atau Spearman
rank correlation coeficient merupakan nilai yang
menunjukan keeratan hubungan linier antara dua variabel
dengan skala data ordinal. Koefisien Spearman biasa
dilambangkan dengan . Rumusnya yang digunakan
adalah :
 Diagram sebar

Diagram sebar atau plot sebar adalah tampilan di mana

pasangan pengukuran yang diurutkan diplot pada sistem sumbu
koordinat
Diagram Scatter atau diagram pencar atau juga disebut diagram
sebar adalah gambaran yang menunjukkan kemungkinan
hubungan (korelasi) antara pasangan dua macam variabel dan
menunjukkan keeratan hubungan antara dua variabel tersebut
yang sering diwujudkan sebagai koefisien korelasi. Scatter
diagram juga dapat digunakan untuk mengecek apakah suatu
variabel dapat digunakan untuk mengganti variabel yang lain.
 Manfaat Diagram Scatter

Dikatakan juga bahwa Scatter diagram menunjukan

hubungan antara dua variabel. Scatter diagram
sering digunakan sebagai analisis tindak lanjut
untuk menentukan apakah penyebab yang ada
benar-benar memberikan dampak kepada
karakteristik kualitas. Pada contoh terlihat scatter
diagram yang menggambarkan plot pengeluaran
untuk iklan dengan penjualan perusahaan yang
mengindikasikan hubungan kuat positif diantara dua
variabel. Jika pengeluaran untuk iklan meningkat,
penjualan cenderung meningkat.
Pada umumnya, bila kita berbicara tentang
hubungan antara dua macam data, kita
sesungguhnya membicarakan tentang : a).
Hubungan penyebab dan akibatnya. b). Hubungan
antara satu penyebab dengan penyebab lainnya. c).
Hubungan antara satu penyebab dengan dua
penyebab. Secara grafis, jika kita menggambarkan
"akibat pada sumbu vertikal dan "penyebab" pada
sumbu horisontal, maka kita akan mendapatkan
sebuah peta yang disebut dengan scatter diagram.
 Contoh Diagram Scatter:

Berikut contoh dan

pembacaan scatter
diagram yang benar
harus mengarah
kepada tindakan yang
tepat. Untuk
mempelajari
kemampuan membaca
yang benar dapat
diuraikan secara
umum seperti
disamping ini :
Keterangan:  untuk grafik 1 Pertambahan dalam y tergantung pada
pertambahan dalam x. Bila x dikendalikan, y terkendali pula. Pada grafik 2,
bila x bertambah, y akan bertambah beberapa, tetapi y seolah–olah
mempunyai penyebab selain dari x. Grafik 3 menunjukkan tidak terdapat
korelasi. Grafik 4 menunjukkan bahwa pertambahan dalam x menyebabkan
kecenderungan untuk penurunan y. Sementara grafik 5 mengandung
intepretasi bahwa pertambahan dalam x akan menyebabkan penurunan Y.
Oleh sebab itu, apabila x dikendalikan maka y terkendali pula. 

-Variabel independen (x) diwakili pada sumbu horizontal

-Variabel dependen (y)diwakili pada sumbu vertikal
-Poin yang mewakili data biasanya diplot baik oleh titik-titik atau persilangan
 Pengertian dan Analisis Korelasi
Sederhana dengan Rumus Pearson 
Korelasi Sederhana merupakan suatu Teknik Statistik yang
dipergunakan untuk mengukur kekuatan hubungan 2
Variabel dan juga untuk dapat mengetahui bentuk hubungan
antara 2 Variabel tersebut dengan hasil yang sifatnya
kuantitatif. Kekuatan hubungan antara 2 variabel yang
dimaksud disini adalah apakah hubungan tersebut ERAT,
LEMAH,  ataupun TIDAK ERAT sedangkan bentuk
hubungannya adalah apakah bentuk korelasinya Linear
Positif  ataupun Linear Negatif.
Disamping Korelasi, Diagram Tebar (Scatter Diagram) sebenarnya juga dapat mempelajari
hubungan 2 variabel dengan cara menggambarkan hubungan tersebut dalam bentuk grafik.
Tetapi Diagram tebar hanya dapat memperkirakan kecenderungan hubungan tersebut
apakah Linear Positif, Linear Negatif ataupun tidak memiliki Korelasi Linear. Kelemahan
Diagram Tebar adalah tidak dapat menunjukkan secara tepat dan juga tidak dapat
memberikan angka Kuantitas tentang kekuatan hubungan antara 2 variabel yang dikaji
tersebut.
Kekuatan Hubungan antara 2 Variabel biasanya disebut dengan Koefisien Korelasi dan
dilambangkan dengan symbol “r”. Nilai Koefisian r akan selalu berada di antara -1 sampai
+1.
Perlu diingat :
Koefisien Korelasi akan selalu berada di dalam Range -1 ≤ r ≤ +1
Jika ditemukan perhitungan diluar Range tersebut, berarti  telah terjadi kesalahan
perhitungan dan harus di koreksi terhadap perhitungan tersebut.
 Rumus Pearson Product Moment

Koefisien Korelasi Sederhana disebut juga dengan Koefisien Korelasi Pearson karena rumus perhitungan
Koefisien korelasi sederhana ini dikemukakan oleh Karl Pearson yaitu seorang ahli Matematika yang
berasal dari Inggris.
Rumus yang dipergunakan untuk menghitung Koefisien Korelasi Sederhana adalah sebagai berikut :
(Rumus ini disebut juga dengan Pearson Product Moment)
r =               nΣxy – (Σx) (Σy)                   
.         √{nΣx² – (Σx)²} {nΣy2 – (Σy)2}
Dimana :
n    = Banyaknya Pasangan data X dan Y
Σx = Total Jumlah dari Variabel X
Σy = Total Jumlah dari Variabel Y
Σx2= Kuadrat dari Total Jumlah Variabel X
Σy2= Kuadrat dari Total Jumlah Variabel Y
Σxy= Hasil Perkalian dari Total Jumlah Variabel X dan Variabel Y
 Pola / Bentuk Hubungan antara 2 Variabel  :

1. Korelasi Linear Positif  (+1)

Perubahan salah satu Nilai Variabel diikuti perubahan Nilai Variabel
yang lainnya secara teratur dengan arah yang sama. Jika Nilai Variabel
X mengalami kenaikan, maka Variabel Y akan ikut naik. Jika Nilai
Variabel X mengalami penurunan, maka Variabel Y akan ikut turun.
Apabila Nilai Koefisien Korelasi mendekati +1 (positif Satu) berarti
pasangan data Variabel X dan Variabel Y memiliki Korelasi Linear
Positif yang kuat/Erat.
2. Korelasi Linear Negatif (-1)
Perubahan salah satu Nilai Variabel diikuti perubahan
Nilai Variabel yang lainnya secara teratur dengan arah
yang berlawanan. Jika Nilai Variabel X mengalami
kenaikan, maka Variabel Y akan turun. Jika Nilai
Variabel X mengalami penurunan, maka Nilai Variabel Y
akan naik.
Apabila Nilai Koefisien Korelasi mendekati -1 (Negatif
Satu) maka hal ini menunjukan pasangan data Variabel X
dan Variabel Y memiliki Korelasi Linear Negatif yang
kuat/erat.
3. Tidak Berkorelasi (0)
Kenaikan Nilai Variabel yang satunya kadang-kadang
 diikut dengan penurunan Variabel lainnya atau kadang-kadang
diikuti dengan kenaikan Variable yang lainnya. Arah
hubungannya tidak teratur, kadang-kadang searah, kadang-kadang
berlawanan.
Apabila Nilai Koefisien Korelasi mendekati 0 (Nol) berarti
pasangan data Variabel X dan Variabel Y memiliki korelasi yang
sangat lemah atau berkemungkinan tidak berkorelasi.
Ketiga Pola atau bentuk hubungan tersebut jika di gambarkan ke
dalam Scatter Diagram (Diagram tebar) adalah sebagai berikut :
Contoh Penggunaan Analisis Korelasi di Produksi :
Apakah ada hubungan antara suhu ruangan dengan jumlah cacat Produksi?
Apakah ada hubungan antara lamanya waktu kerusakan mesin dengan jumlah cacat
produksi?
Apakah ada hubungan antara jumlah Jam lembur dengan tingkat absensi?
Contoh Kasus Analisis Korelasi Sederhana :
Seorang Engineer ingin mempelajari apakah adanya pengaruh Suhu Ruangan
terhadap Jumlah Cacat yang dihasilkan dan juga ingin mengetahui keeratan serta
bentuk hubungan antara dua variabel tersebut. Engineer tersebut kemudian
mengambil data selama 30 hari terhadap rata-rata (mean) suhu ruangan dan Jumlah
Cacat Produksi seperti dibawah ini :
 
Penyelesaian :
Pertama-tama hitunglah
X², Y², XY dan totalnya
seperti tabel dibawah ini :
Kemudian hitunglah Koefisien Korelasi berdasarkan rumus korelasi dibawah ini :
r =               nΣxy – (Σx) (Σy)                    
.          √{nΣx² – (Σx)²} {nΣy2 – (Σy)2}

r =                   (30 . 6861) – (699) (282)                     

.          √{30. 16487 – (699)²} {30 . 3112 – (282)2}
r =                    (205830) – (197118)                          
.          √{494610 – 488601} {93360 – 75924}
r =               8712          
.                9118.13
r =   0.955
Jadi Koefisien Korelasi antara Suhu
Ruangan dan Jumlah Cacat Produksi
adalah 0.955, berarti kedua variabel tersebut
memiliki hubungan yang ERAT dan bentuk
hubungannya adalah Linear Positif.
Jika Hubungan Suhu Ruangan dan Jumlah
Cacat Produksi dibuat dalam bentuk Scatter
Diagram (Diagram Tebar), maka bentuknya
akan seperti dibawah ini :

Analisis Korelasi (Correlation Analysis) juga merupakan salah satu alat

(tool) yang digunakan dalam Metodologi Six Sigma di Tahap Analisis.
 Korelasi Ganda
(Multiple Corelation)

Korelasi ganda (multiple correlation) merupakan angka yang

menunjukkan arah dan kuatnya hubungan antara dua variabel
independen secara bersama-sama atau lebih dengan satu variabel
dependen.
Koefisien korelasi berganda mengambil nilai antara 0,00 dan 1,00; nilai
yang lebih tinggi menunjukkan tingkat prediktabilitas yang tinggi dari
variabel dependen dari variabel independen , dengan nilai 1
menunjukkan bahwa prediksi tersebut benar-benar tepat dan nilai 0
menunjukkan bahwa tidak ada kombinasi linier dari variabel
independen yang menjadi prediktor yang lebih baik daripada yang tetap.
Koefisien korelasi berganda dikenal sebagai akar
kuadrat dari koefisien determinasi , tetapi dengan
asumsi tertentu bahwa intersep disertakan dan
digunakan prediktor linier terbaik, sedangkan
koefisien determinasi ditentukan untuk kasus yang
lebih umum, termasuk prediksi nonlinier dan yang
nilai prediksi belum diturunkan dari prosedur
pemasangan model.
Sebagai contoh penelitian yang berjudul, Hubungan
Tingkat Percaya Diri dan Motivasi Belajar dengan
Prestasi Belajar Bahasa Inggris. Pada penelitian Jadi untuk dapat menghitung
tersebut menanyakan hubungan secara bersama-sama korelasi ganda, maka harus dihitung
antara Tingkat Percaya Diri dan Motivasi Belajar terlebih dahulu korelasi
dengan Prestasi Belajar Bahasa Inggris. Rumus
korelasi ganda dua variabel adalah sebagai berikut.
sederhananya dulu melalui korelasi
Product Moment dari Pearson.
Contoh :
Dilakukan penelitian ada tidaknya
hubungan antara tingkat percaya
diri dan motivasi belajar dengan
prestasi belajar bahasa inggris
kelas X SMA “Tirta”. Untuk
keperluan tersebut, maka telah
dilakukan pengambilan data
terhadap 10 responden yang
diambil secara random.
Berdasarkan 10 responden
tersebut diperoleh data tentang
hasil tingkat percaya diri (X1),
motivasi belajar (X2), dan prestasi
belajar bahasa inggris (Y), sebagai
berikut.
TERIMA KASIH