Langsung ke konten utama

Analisis Korelasi Sederhana

Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui keeratan hubungan antara dua variabel dan untuk mengetahui arah hubungan yang terjadi. Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang terjadi antara dua variabel. Dalam SPSS ada tiga metode korelasi sederhana (bivariate correlation) diantaranya Pearson Correlation, Kendall’s tau-b, dan Spearman Correlation. Pearson Correlation digunakan untuk data berskala interval atau rasio, sedangkan Kendall’s tau-b, dan Spearman Correlation lebih cocok untuk data berskala ordinal.
Pada bab ini akan dibahas analisis korelasi sederhana dengan metode Pearson atau sering disebut Product Moment Pearson. Nilai korelasi (r) berkisar antara 1 sampai -1, nilai semakin mendekati 1 atau -1 berarti hubungan antara dua variabel semakin kuat, sebaliknya nilai mendekati 0 berarti hubungan antara dua variabel semakin lemah. Nilai positif menunjukkan hubungan searah (X naik maka Y naik) dan nilai negatif menunjukkan hubungan terbalik (X naik maka Y turun).
Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi koefisien korelasi sebagai berikut:
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
Contoh kasus:
Seorang mahasiswa bernama Andi melakukan penelitian dengan menggunakan alat ukur skala. Andi ingin mengetahui apakah ada hubungan antara kecerdasan dengan prestasi belajar pada siswa SMU Negeri 1 Yogyakarta, dengan ini Andi membuat 2 variabel yaitu kecerdasan dan prestasi belajar. Tiap-tiap variabel dibuat beberapa butir pertanyaan dengan menggunakan skala Likert, yaitu angka 1 = Sangat tidak setuju, 2 = Tidak setuju, 3 = Setuju dan 4 = Sangat Setuju. Setelah membagikan skala kepada 12 responden didapatlah skor total item-item yaitu sebagai berikut:

                 Tabel. Tabulasi Data (Data Fiktif)
Subjek
Kecerdasan
Prestasi Belajar
1
33
58
2
32
52
3
21
48
4
34
49
5
34
52
6
35
57
7
32
55
8
21
50
9
21
48
10
35
54
11
36
56
12
21
47
                                          
Langkah-langkah pada program SPSS
Ø  Masuk program SPSS
Ø  Klik variable view pada SPSS data editor
Ø  Pada kolom Name ketik x, kolom Name pada baris kedua ketik y.
Ø  Pada kolom Decimals ganti menjadi 0 untuk variabel x dan y
Ø  Pada kolom Label, untuk kolom pada baris pertama ketik Kecerdasan, untuk kolom pada baris kedua ketik Prestasi Belajar.
Ø  Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
Ø  Buka data view pada SPSS data editor, maka didapat kolom variabel x dan y.
Ø  Ketikkan data sesuai dengan variabelnya
Ø  Klik Analyze - Correlate - Bivariate
Ø  Klik variabel Kecerdasan dan masukkan ke kotak Variables, kemudian klik variabel Prestasi Belajar dan masukkan ke kotak yang sama (Variables).
Ø  Klik OK, maka hasil output yang didapat adalah sebagai berikut:

                  Tabel. Hasil Analisis Korelasi Bivariate Pearson


Dari hasil analisis korelasi sederhana (r) didapat korelasi antara kecerdasan dengan prestasi belajar (r) adalah 0,766. Hal ini menunjukkan bahwa terjadi hubungan yang kuat antara kecerdasan dengan prestasi belajar. Sedangkan arah hubungan adalah positif karena nilai r positif, berarti semakin tinggi kecerdasan maka semakin meningkatkan prestasi belajar.

-     Uji Signifikansi Koefisien Korelasi Sederhana (Uji t)
Uji signifikansi koefisien korelasi digunakan untuk menguji apakah hubungan yang terjadi itu berlaku untuk populasi (dapat digeneralisasi). Misalnya dari kasus di atas populasinya adalah siswa SMU Negeri 1 Yogyakarta dan sampel yang diambil dari kasus di atas adalah 12 siswa SMU Negeri 1 Yogyakarta, jadi apakah hubungan yang terjadi atau kesimpulan yang diambil dapat berlaku untuk populasi yaitu seluruh siswa SMU Negeri 1 Yogyakarta.

Langkah-langkah pengujian sebagai berikut:
1.   Menentukan Hipotesis
Ho : Tidak ada hubungan secara signifikan antara kecerdasan dengan prestasi belajar
Ha : Ada hubungan secara signifikan antara kecerdasan dengan prestasi belajar
2.   Menentukan tingkat signifikansi
            Pengujian menggunakan uji dua sisi dengan tingkat signifikansi a = 5%. (uji dilakukan 2 sisi karena untuk mengetahui ada atau tidaknya hubungan yang signifikan, jika 1 sisi digunakan untuk mengetahui hubungan lebih kecil atau lebih besar).
Tingkat signifikansi dalam hal ini berarti kita mengambil risiko salah dalam mengambil keputusan untuk menolak hipotesa yang benar sebanyak-banyaknya 5% (signifikansi 5% atau 0,05 adalah ukuran standar yang sering digunakan dalam penelitian)
3.   Kriteria Pengujian
Ho diterima jika Signifikansi > 0,05
            Ho ditolak jika Signifikansi < 0,05
4.   Membandingkan signifikansi
Nilai signifikansi 0,004 < 0,05, maka Ho ditolak.

 5.  Kesimpulan
Oleh karena nilai Signifikansi (0,004 < 0,05) maka Ho ditolak, artinya bahwa ada hubungan secara signifikan antara kecerdasan dengan prestasi belajar. Karena koefisien korelasi nilainya positif, maka berarti kecerdasan berhubungan positif dan signifikan terhadap pretasi belajar. Jadi dalam kasus ini dapat disimpulkan bahwa kecerdasan berhubungan positif terhadap prestasi belajar pada siswa SMU Negeri 1 Yogyakarta.
Label:

Komentar

Posting Komentar

Postingan populer dari blog ini

Penyimpangan Data

PENGUKURAN PENYIMPANGAN DATA Pengukuran penyimpangan data adalah suatu ukuran yang menunjukkan tinggi  rendahnya perbedaan data yang diperoleh dari rata-ratanya. Ukuran penyimpangan digunakan untuk mengetahui luas penyimpangan data atau homogenitas data. Dua variabel data yang memiliki mean sama belum tentu memiliki kualitas yang sama, tergantung dari besar atau kecil ukuran penyebaran datanya. Ada bebarapa macam ukuran penyebaran data, namun yang umum digunakan adalah standar deviasi. Macam-macam ukuran penyimpangan data adalah : Jangkauan ( range ) Simpangan rata-rata ( mean deviation ) Simpangan baku ( standard deviation ) Varians ( variance ) Koefisien variasi ( Coefficient of variation ) 1. Jangkauan ( range ) Range adalah salah satu ukuran statistik yang menunjukan jarak penyebaran data antara nilai terendah (Xmin) dengan nilai tertinggi (Xmax). Ukuran ini sudah digunakan pada pembahasan daftar distribusi frek...
Posting Komentar
Baca selengkapnya

Uji Anova(Uji F)

Anova adalah sebuah analisis statistik yang menguji perbedaan rerata antar grup. Grup disini bisa berarti kelompok atau jenis perlakuan. Anova ditemukan dan diperkenalkan oleh seorang ahli statistik bernama Ronald Fisher. Anova merupakan singkatan dari Analysis of variance. Merupakan prosedur uji statistik yang mirip dengan t test. Namun kelebihan dari Anova adalah dapat menguji perbedaan lebih dari dua kelompok. Berbeda dengan  independent sample t test  yang hanya bisa menguji perbedaan rerata dari dua kelompok saja. Dalam kesempatan bahasan kali ini, statistikian  akan menjelaskannya secara singkat namun dengan penuh harapan agar para pembaca mudah memahami dan mempraktekkannya dalam penelitian di lapangan nantinya. Kegunaan Anova Anova digunakan sebagai alat analisis untuk menguji hipotesis penelitian yang mana menilai adakah perbedaan rerata antara kelompok. Hasil akhir dari analisis ANOVA adalah nilai F test atau F hitung. Nilai F Hitung ini yang nantin...
Posting Komentar
Baca selengkapnya

Besar Sampel dan Sumber Data

Dalam statistik inferensial, besar  sampel sangat menentukan representasi sampel yang diambil dalam menggambarkan  populasi penelitian. Oleh karena itu menjadi satu kebutuhan bagi setiap peneliti untuk memahami kaidah-kaidah yang benar dalam menentukan sampel minimal dalam sebuah penelitian. Cara menghitung besar sampel suatu penelitian sangat ditentukan oleh desain penelitian  yang digunakan dan data yang diambil. Jenis penelitian observasional dengan menggunakan disain cross-sectional akan berbeda dengan case-control study dan khohor, demikian pula jika data yang dikumpulkan adalah proporsi akan beda dengan jika data yang digunakan adalah data continue. Pada penelitian di bidang kesehatan masyarakat, kebanyakan menggunakan disain atau pendekatan  cross-sectional  atau belah lintang, meskipun ada beberapa yang menggunakan  case control ataupun khohor . Terdapat banyak rumus untuk menghitung besar sampel ...
1 komentar
Baca selengkapnya