Upload
fuja-novitra
View
244
Download
1
Embed Size (px)
Citation preview
TUGAS RESUME
STATISTIK
“Korelasi Pearson dan Spearman”
Oleh:
Fuja Novitra15175015
DOSEN PEMBIMBING:
Dr. DJUSMAINI DJAMAS, M.Si
PROGRAM STUDI PENDIDIKAN FISIKA
PROGRAM PASCASARJANA
UNIVERSITAS NEGERI PADANG
2015
A. Pengertian korelasi
Korelasi merupakan suatu hubungan antara satu variabel dengan variabel lainnya.
Dan merupakan salah satu teknik analisis statistik yang paling banyak digunakan.
Karena peneliti umumnya tertarik terhadap peristiwa-peristiwa yang terjadi dan
mencoba untuk menghubungkannya. Misalnya kita ingin menghubungkan antara
motivasi dengan prestasi belajar atau bekerja. Hubungan antara dua veriabel di dalam
teknik korelasi bukanlah dalam arti hubungan sebab akibat (timbal-balik), melainkan
hanya merupakan hubungan searah saja. Hubungan sebab akibat misalnya: kemiskinan
dengan kejahatan. Untuk jelasnya, hubungan sebab akibat dapat diuraikan sebagai
berikut: orang yang bodoh dapat menyebabkan dirinya miskin, sebaliknya orang yang
miskin dapat menyebabkan dirinya bodoh; demikian seterusnya. Jadi tidak jelas mana
yang menjadi penyebab dan mana yang menjadi akibat. Keadaan ini berbeda dengan
hubungan searah (linear) di dalam analisis korelasi. Dalam korelasi hanya dikenal
hubungan searah saja (bukan timbal balik), misalnya tinggi badan menyebabkan berat
badannya bertambah, tetapi berat badannya bertambah belum tentu menyebabkan tinggi
badannya bertambah pula.
Kegunaan analisis korelasi adalah mencari hubungan variabel bebas (X) dengan
variabel terikat (Y). Variabel bebas disebut juga dengan independen dan variabel terikat
disebut juga dependen. Untuk mengukur besarnya hubungan antara sekelompok nilai
satu (X) dengan sekelompok nilai yang lainnya (Y) telah dikemukakan rumusnya oleh
para ahli matematika statistik, sehingga kita tingga memakainya. Rumus-rumus korelasi
yang sering dipakai diantaranya; pearson (product moment correlation) dan spearman
correlation. Kedua rumus tersebut dikembangkan dengan suatu asumsi dasar yang
berbeda, sehingga rumus tersebut tepat penggunaaannya jika syarat-syarat dituntut
terpenuhi.
B. Korelasi Pearson (product moment correlation)
Korelasi yang sering digunakan oleh peneliti adalah korelasi pearson, karena
mudah dalam pengerjaannya. Kegunaan uji pearson atau analisis korelasi adalah
mencari hubungan variabel bebas (X) dengan variabel terikat (Y) dan data berbentuk
interval dan ratio. Adapun beberapa persyaratan yang harus dipenuhi apabila kita
menggunakan rumus korelasi person (pearson product moment) diantaranya;
1. Variabel yang dihubungkan mempunyaidata yang berdistribusi normal
2. Pengambilan sampel dari populasi harus random (acak)
3. Data yang dicarikorelasinya harus berskala interval atau ratio
4. Variasi skor kedua variabel yang akan dicari korelasinya harus sama.
5. Hubungan antara variabel X dan Y hendaknya linear
Korelasi pearson product moment dapat dihitung dengan rumus:
r = Σ { ( X−X ) (Y −Y ) }
√ Σ ¿¿¿
rumus diatas memerlukan suatu perhitungan rata-rata dari masing-masing kelompok,
yang selanjutnya perlu suatu perhitungan selisih masing-masing skor dengan rata-
ratanya, serta kuadrat simpangan skor dengan rata-ratanya,maupun hasil kali simpangan
masing-masing kelompok. Selain itu, korelasi pearson juga dapat dihitung dengan
menggunakan rumus:
r =
Keterangan:
r = koefisien korelasi pearson
X = nilai variabel X
Y = nilai variabel Y
n = jumlah sampel
Rumus yang kedua ini lebih sederhana perhitungannya dibandingkan dengan rumus
yang pertama. Oleh karena itu banyak peneliti menggunakannya. Hasil perhitungan
korelasi pearson dengan rumus yang pertama akan sama dengan hasil perhitungan
dengan rumus kedua. Walaupun demikian kemungkinan adanya perbedaan hasil
perhitungan kedua rumus itu masih ada. Apabila terjadi perbedaan, perbedaan tersebut
nΣ xy−( Σx )(Σy )
√nΣx2−( Σx )2nΣy2−( Σy )2
tidaklah cukup berarti, sedangkan penyebab terjadinya perbedaaan tersebut adalah
karena proses pembulatan. Korelasi PPM dilambangkan (r) dengan ketentuan nilai r
tidak lebih dari harga (-1 ≤ r ≤ +1). Apabila r = -1 artinya korelasinya negatif sempurna,
r = 0 artinya tidak ada korelasi, r = 1 berarti korelasinya positif (sangat kuat). Jika nilai r
terdapat di antara -1 dengan +1,misalnya +0,7, +0,01, -0,05, -0,02. Untuk menjawab
pertanyaan ini, maka makna dari r yang kita hitung dapat dikonsultasikan dengan tabel
dibawah ini.
Tabel interpretasi koefisien korelasi dari nilai r
Interval Koefisien Tingkat Hubungan
0,00 - 0,199 Sangat rendah
0,20 - 0,399 Rendah
0,40 - 0,599 Sedang
0,60 - 0,799 Kuat
0,80 - 1,000 Sangat Kuat
Sedangkan untuk menyatakan besar kecilnya sumbangan variabel X dan Y dapat
ditentukan dengan rumus koefisien determinan sebagai berikut:
KP = r2 x 100%
Dimana:
KP = besarnya koefisien penentu
r = koefisien korelasi
Langkah-langkah uji korelasi pearson product moment:
1. Buatlah Ha dan Ho dalam bentuk kalimat
2. Buatlah Ha dan Ho dalam bentuk statistik
3. Buatlah tabel penolong untuk menghitung nilai korelasi
4. Masukkan angka-angka statistik dari tabel penolong dengan rumus:
r =
5. Menentukan besarnya sumbangan (koefisien determinan atau koefisien penentu)
variabel X terhadap variabel Y dengan rumus:
KP = r2 x 100%
nΣ xy−( Σx )(Σy )
√nΣx2−( Σx )2nΣy2−( Σy )2
6. Menguji signifikansi dengan rumus ttest atau thitung :
thitung = r √n−2
√1−r 2
Kaidah pengujian :
Jika thitung ≥ dari ttabel, maka signifikan
Jika thitung ≤ dari ttabel, maka tidak signifikan
7. Ketentuan tingkat kesalahan (α) = 0,05 atau 0,01 dengan rumus derajad bebas
(db) = n-2
8. Kesimpulan
KASUS
Pimpinan PT. MUTIARA ILMU mangadakan penelitian bagi pegawai
dilingkungannya. Tujuannya ingin mengetahui hubungan dan kontribusi (sumbangan)
antara motivasi kerja dengan produktivitas kerja selama mereka bekerja di PT
MUTIARA ILMU. Karena mengingat waktu, tenaga dan biaya, maka peneliti
mengambil sampel sebanyak 12 orang, dengan taraf signifikansi (α = 0,05) data, sebagai
berikut :
Motivasi kerja (X)
60, 70, 75, 65, 70, 60, 80, 75, 85, 90, 70, dan 85
Produktivitas Kerja (Y)
450, 475, 450, 470, 475, 455, 475, 470, 485, 480, 475, dan 480
Pertanyaan:
1. Berapakah besar hubungan variabel X dengan variabel Y?
2. Berapakah besar sumbangan (kontribusi) variabel X dengan Y?
3. Buktikan apakah ada hubungan yang signifikan antaramotivasi kerja dengan
produktivitas kerja pegawai di PT MUTIARA ILMU?
Langkah-langkah menjawab:
Sebelum dilakukan pengujian data diasumsikan bahwa data ini memenuhi
persyaratan yaitu: berdistribusi normal, data dipilih secara acak (random), dan data
mempunyai pasangan yang sama, kemudian melanjutkan langkah-langkah sebagai
berikut:
a. Buatlah Ha dan Ho dalam bentuk kalimat:
Ha : Terdapat hubungan antara motivasi kerja dengan produktivitas kerja
pegawai di PT MUTIARA ILMU
Ho : Tidak terdapat hubungan antara motivasi kerja dengan produktivitas kerja
pegawai di PT MUTIARA ILMU
b. Buatlah Ha dan Ho dalam bentuk statistik:
Ha : r ≠ 0
Ho : r = 0
c. Buatlah tabel penolong untuk menghitung nilai korelasi:
TABEL PENOLONG
No X Y X2 Y2 XY
1 60 450 3600 202500 27000
2 70 475 4900 225625 33250
3 75 450 5625 202500 33750
4 65 470 4225 220900 30550
5 70 475 4900 225625 33250
6 60 455 3600 207025 27300
7 80 475 6400 225625 38000
8 75 470 5625 220900 35250
9 85 485 7225 235225 41225
10 90 480 8100 230400 43200
11 70 475 4900 225625 33250
12 85 480 7225 230400 40800
𝜮X = 885𝜮Y =
5640𝜮X2 = 66325 𝜮Y2 = 2652350 𝜮XY = 416825
d. Masukkan angka-angka statistik dari tabel penolong dengan rumus:
r = nΣ xy−( Σx )(Σy )
√nΣx2−( Σx )2nΣy2−( Σy )2
r = 12 (416825 ) – (885 )(5460)
√{ (12 ) (66325 )−(885 )2 }{ (12 )2652350−(5460 )2 }
r = 5001900−4991400
√ {795900−783225 } {31828200−31809600 }
r = 10500
√ {12675 }{18600}
r = 10500
√1235755000
r = 0,684
Jadi, terdapat hubungan antara motivasi kerja dengan produktivitas kerja
pegawai di lembaga PT MUTIARA ILMU sebesar (r = 0,684) tergolong kuat
(Jawaban No.1)
e. Menentukan besarnya sumbangan (koefisien diterminan koefisien penentu) variabel
X terhadap variabel Y dengan rumus:
KP = r2. 100% = 0,6842.100% = 46,79%
Artinya: pengaruh nilai motivasi kerja terhadap produktivitas kerja pegawai sebesar
46,79% dan sisanya 53,21% ditentukan oleh variabel lain (Jawaban No.2)
f. Menguji signifikansi dengan rumus thitung:
thitung = r √n−2
√1−r 2 = 0,684√12−2
√1−0,6842 = 2,16
0,729 = 2,963
Kaidah pengujian :
Jika thitung ≥ dari ttabel, maka signifikan
Jika thitung ≤ dari ttabel, maka tidak signifikan
Berdasarkan perhitungan di atas dengan ketentuan tingkat kesalahan α = 0,05; db =
n-2 = 12-2 = 10 sehingga didapat ttabel = 1,812. Ternyata thitung ˃ dari ttabel atau 2,963 ˃
1,812.
Kesimpulan: korelasi variabel X dengan Y atau hubungan motivasi kerjadengan
produktivitas kerja pegawai di PT MUTIARA ILMU adalah signifikan (Jawaban No.3)
Manfaat Korelasi Pearson product momen adalah:
1. Untuk menyatakan ada atau tidaknya hubungan yang signifikan antara variabel
satu dengan yang lainnya.
2. Untuk menyatakan besarnya sumbangan variabel satu terhadap yang lainnya
dalam persen. Dengan demikian, maka r2 disebut koefisien determinasi atau
koefisien penentu. Hal ini disebabkan r2 x 100% terjadi dalam variabel terikat Y
yang mana ditentukan oleh variabel X.
Metode Z Skor untuk Perhitungan Korelasi Pearson
Apabila data kedua variabel yang akan dicari korelasinya mempunyai rentangan nilai
yang sangat berbeda, maka sebaiknya perhitungan korelasi Pearson didasarkan pada Z skor.
Dalam hal ini dalam setiap skor/nilai untuk kedua variabel dikonversikan ke Z skor. Langkah
mengkonversikan ke Z skor berarti membuat standard untuk masing-masing skor yang ingin
dicari korelasinya.
Untuk perhitungan korelasi Pearson yang didasarkan pada Z skor kita dapat
menggunakan rumus:
r=∑ Z X ZY
n
Untuk memperoleh Z skor, digunakan rumus:
ZX=X−XSd X
ZY=Y −YS dY
Untuk perhitungan simpangan baku (standard deviation) masing-masing variabel tidak
berbeda dengan perhitungan simpangan baku yang biasa dilakukan.
Contoh:
Sebuah penelitian yang mencari hubungan antara banyaknya jam belajar mandiri per minggu
mahasiswa dengan hasil belajar (indeks prestasi mahasiswa). Dari 10 sampel yang terambil
diperoleh data sebagai berikut:
MahasiswaJml.Jam Belajar/ minggu
(X)
IP yang Dicapai
(Y)
1 40 3,80
2 35 3,60
3 30 3,25
4 25 3,00
5 25 2,95
6 25 3,05
7 20 2,50
8 15 2,00
9 10 1,50
10 5 1,00
Oleh karena rentangan skor kedua variabel tersebut sama, maka peneliti ingin membuat
stndard nilai tersebut melalui konversi nilai ke Z skor.
Langkah pertama yang harus dilakukan adalah menentukan nilai rata-rata dan
simpangan baku dari masing-masing variabel.
X=23 Y=2,665
S d X=10,85 S dY=0,91
Langkah berikutnya adalah menghitung nilai Z untuk masing-masing skor serta hasil
kalinya, yang hasilnya sebagai berikut:
X Y ZX ZY ZX ZY
40 3,80 1,57 1,25 1,9625
35 3,60 1,10 1,03 1,1330
X Y ZX ZY ZX ZY
30 3,25 0,64 0,64 0,4096
25 3,00 0,18 0,37 0,0666
25 2,95 0,18 0,31 0,0558
25 3,05 0,18 0,42 0,0756
20 2,50 -0,28 -0,18 0,0504
15 2,00 -0,73 -0,73 0,5402
10 1,50 -1,50 -1,50 1,8000
5 1,00 -1,83 -1,83 3,0378
230 26,65 9,1315
r=9,1315 ÷10
¿0,91315
Apabila kita telah mengetahui nilai rata-rata dan simpangan baku masing-masing
variabel, maka korelasi dapat dihitung dengan rumus:
r=
∑ XY
n−(X .Y )
S d X S dY
C. Korelasi Spearman
Korelasi rank spearman pertama kali diperkenalkan pada tahun 1904 oleh seorang
ahli psikologi yang bernama Charles Spearman. Teori ini dia kemukakan dalam
meletakkan dasar psikonometri sebagai salah satu ilmu kuantitatif. Untuk melihat lebih
jauh mengenai profil dari Chareles Spearman pembaca dapat melihatnya melalui
internet atau buku- buku biografi tokoh. Pada prinsipnya korelasi rank spearman untuk
menguji sebuah hipotesis korelasi dari data yang mempunyai skala variabel minimal
berskala ordinal(berbentuk rangking). Skala yang dapat diuji dengan menggunakan
korelasi rank spearman juga dapat berbeda, contohnya kita ingin mengetahui korelasi
antara suatu variabel berskala ordinal dengan variabel berskala numerik. Yang perlu
dibawahi adalah ketika kita menggunakan data kuantitatif pada korelasi spearman
adalah tidak terpenuhinya kondisi kenormalan data.
Analisis korelasi spearman atau Korelasi Spearman Rank (rho) disebut juga korelasi
berjenjang atau korelasi berpangkat dan ditulis dengan notasi (rs). Digunakan untuk
mengukur tingkat hubungan antara variable bebas dan terikat yang berskala ordinal,
mengetahui tingkat kecocokan dari dua variable terhadap kelompok yang sama,
mendapatkan validitas empiris alat pengumpul data, dan mengetahui reliabilitas alat
pengumpul data. (Riduwan, 2012 : 74)
Langkah awal untuk melakukan perhitungan korelasi spearman adalah mengurutkan
data mulai dari yang terkecil atau bisa juga dari yang terbesar pada variabel
dependennya, misalnya kita akan mencari korelasi peringkat masuk perguruan tinggi
terhadap nilai ipk yang diperoleh mahasiswa tersebut, maka data yang diurukan adalah
peringkat masuknya (dibuat rankingnya). Formula untuk menghitung korelasi
spearman.
Untuk mencari signifikansi, maka digunakan rumus Zhitung :
Zhitung=r S
1√n−1
Pada penghitungan dengan korelasi Spearman, data dari kedua variable tidak harus
membentuk distribusi normal. Jadi korelasi Spearman berarti bekerja dengan data
ordinal atau berjenjang atau rangking dan bebas distribusi.
Aturan pengambilan dengan korelasi Spearman adalah :
Apabila data yang kita hadapi mempunyai skala ordinal, maka korelasi product
moment tidak dapat digunakan. Saat ini telah ditemukan suatu rumus sederhana tetapi
akurat yaitu Spearman Correlation. Korelasi Pearson didasarkan pada hubungan linier,
sedangkan Sperman correlation justru tidak memperhatikan sifat hubungan linier antara
kedua variabel yang akan dicari korelasinya. Korelasi Spearman dapat dicari dengan
rumus:
r s (rho )=1−6∑ D2
n(n2−1)
Keterangan:
D = Selisih antara X dan Y
n = Jumlah sampel
6 = Angka konstan
Contoh:
Suatu penelitian terhadap hubungan antara ranking tes masuk mahasiswa dengan
ranking dikelas sesudah ikut kuliah. Dari 10 mahasiswa yang terambil sebagai sampel
ternyata penyebaran datanya sebagai berikut:
Mahasiswa 1 2 3 4 5 6 7 8 9 10
Ranking tes masuk 1 2 3 4 5 6 7 8 9 10
Ranking kelas 10 7 8 6 5 3 4 2 9 1
Berapa tingkat hubungan antara ranking tes masuk dengan ranking kelas sesudah
kuliah?
Jawab:
Langkah awal kita susun tabel untuk mencari D. Kemudian kita cari kuadrat masing-
masing selisih antara kedua nilai X dan Y. Selanjutnya dihitung jumlah seluruh nilai D
dan D2.
X Y D D2
1 10 9 81
2 7 5 25
3 8 5 25
4 6 2 4
5 5 0 0
6 3 3 9
7 4 3 9
8 2 6 36
9 9 0 0
10 1 9 81
Jumlah 42 270
r s (rho )=1−6∑ D2
n (n2−1 )
¿1−(6 ×270)
10(100−1)
¿1−1,636363636
¿−0,636363636
¿−0,64
Ada kalanya dua kelompok data yang kita hadapi tidak mempunyai skala sama,
di satu pihak skala ordinal dan di lain pihak berskala interval atau ratio. Untuk kondisi
ini besarnya korelasi tidakk dapat dihitung dengan Korelasi Pearson, tetapi harus
digunakan Korelasi Spearman dengan membuat data berskala interval/ratio menjadi
berskala ordinal (rank).