3.

3 Hipotesa Hipotesa nol adalah tidak ada pengaruh stresor terhadap prestasi belajar dan indeks massa tubuh. Hipotesa alternatif dalam penelitian ini adalah ada pengaruh stresor terhadap prestasi belajar dan indeks massa tubuh.

Kriteria inklusi : 1. Mahasiswa yang bersedia untuk berpartisipasi dalam penelitian. Kriteria eksklusi : 1. Mahasiswa yang mengkonsumsi obat-obat seperti obat pelangsing, obat peningkat berat badan, obat anti stres atau anti depresi. 2. Mahasiswa dengan penyakit sistemik sebelum diasramakan seperti Diabetes Mellitus.

Dalam analisis data dibedakan tingkatannya, yaitu : analisis univariat, bivariat, dan multivariat. Analisis univariat merupakan analisis setiap variabel yang dinyatakan dengan sebaran frekuensi, baik secara angka-angka mutlak maupun secara persentase, disertai dengan penjelasan kualitatif. Analisis bivariat menggunakan tabel silang untuk menyoroti dan menganalisis perbedaan atau hubungan antara dua variabel. Menguji ada tidaknya perbedaan/hubungan antara variabel kondisi pemukiman, umur, agama, status migrasi, pendidikan, penghasilan, umur perkawinan pertama, status kerja, dan kematian bayi/balita dengan persepsi nilai anak digunakan analisis Chi Square, dengan tingkat kemaknaan = 0,05. Hasil yang diperoleh pada analisis Chi Square dengan menggunakan programSPSS yaitu nilai p, kemudian dibandingkan dengan = 0,05. Apabila nilai p lebih kecil dari = 0,05 maka ada hubungan/perbedaan antara dua variabel tersebut (Agung, 1993). Apabila nilai Chi Square dihitung dengan manual atau kalkulator, maka digunakan rumus Chi Square seperti yang ditampilkan di bawah ini :

Sedangkan untuk mengetahui kuatnya perbedaan antara variabel dikonsultasikan dengan Contingency Coefficient (untuk variabel dengan data nominal) sementara untuk mengetahui pola dan kuatnya hubungan antara variabel dikonsultasikan dengan uji Spearman Correlation (untuk variabel dengan data interval). Nilai Chi Square, Contingency Coefficient dan Spearman Correlation diperoleh dari hasil pengolahan program SPSS (Santoso, 2000).

Analisis multivariat untuk mengetahui rata-rata permintaan anak menurut umur, agama, status migrasi, pendidikan, penghasilan, umur perkawinan pertama, status kerja, dan kematian bayi/balita terhadap permintaan anak dengan menggunakan variabel kondisi pemukiman sebagai kontrol. SPSS (Statistical Product and Service Solutions).

Spearman Rho Excel

Uji Spearman Rho dengan Excel
Spearman Rho adalah salah satu dari uji bivariat asosiatif non parametris. Artinya uji non parametris yang digunakan untuk menguji kesesuaian antara 2 kelompok variabel yang berasal dari subjek berbeda atau disebut juga data bebas dengan skala data ordinal. Penggunaan dan pro-kontra uji spearman rho telah dibahas dalam artikel sebelumnya yang berjudul: Spearman Rank banyak Disalahgunakan Pada bahasan kali ini akan kita buktikan bagaimana sebenarnya uji spearman seperti yang telah dibahas dalam artikel sebelumnya dengan aplikasi MS Excel 2007/2010/2013. Sebelum kita pelajari secara lanjut, sedikit review kita lihat rumus spearman di bawah ini:

Rumus Spearman

Anda lihat rumus di atas, nilai rho merupakan hasil pengurangan 1 terhadap hasil pembagian dari 6 kali jumlah kuadrat perbedaan peringkat dibagi pangkat tiga jumlah sampel dikurangi jumlah sampel. Anda bingung? kira-kira ya. Mari kita lihat bagaimana rumus di atas bekerja dengan menggunakan Microsoft Office Excel 2007 atau diatasnya/lebih baru.

Spearman Excel
Sebaiknya anda download file kerja excel di bawah ini agar anda lebih mudah memahami tutorial ini di link berikut: Spearman.xlsx (Apabila muncul jendela Adf.ly, tunggu 5 detik lalu klik skip atau lewati).

Bagaimana melakukan uji spearman dengan excel seperti contoh di atas? Mari kita lihat tutorial di bawah ini: 1. Buka aplikasi MS Excel anda (Catatan: Uji ini support untuk MS Excel 2007 atau diatasnya, tidak support untuk excel 2003). 2. Buat 2 kelompok data sejumlah 20 sampel pada cell A6 s/d B25 Ketikkan rumus-rumus excel sebagai berikut: 1. Cell C6: =RANK.AVG(A$6:A$25;A$6:A$25;0) dan kopi pastekan hingga Cell C25. (Lihat angka 25 yang berwarnamerah, nilai tersebut anda ubah jika jumlah sampel anda bukan 20. Contoh jika sampel anda 40, maka ganti angka 25 dengan 45). 2. Cell D6:=RANK.AVG(B$6:B$25;B$6:B$25;0) dan kopi pastekan hingga Cell D25. (Lihat angka 25 yang berwarna merah, nilai tersebut anda ubah jika jumlah sampel anda bukan 20. Contoh jika sampel anda 40, maka ganti angka 25 dengan 45). Maksud dari langkah 1 dan 2 adalah untuk mendapatkan nilai peringkat rata-rata pada kolom A dan B atau peringkat dari subjek 1 dan 2. Ingat bahwa uji spearman adalah uji untuk melihat adakah kesesuaian peringkat antar 2 kelompok bebas. 3. Cell E6: =C6-D6 dan kopi pastekan hingga Cell E25. Artinya menghitung nilai perbedaan peringkat kelompok 1 dan 2. 4. Cell F6: =E6^2 dan pastekan hingga Cell F25. Artinya menghitung nilai kuadrat dari perbedaan peringkat kelompok 1 dan 2. 5. 6. Cell F26: =SUM(F6:F25) artinya menjumlah semua nilai pada langkah 4. Cell I5: =COUNT(A6:A25) artinya menghitung semua sampel, yaitu 20 orang.

7. Cell I6: =1-((6*F26)/(I5*((I5^2)-1))) artinya disini kita menerapkan rumus rho yang sesungguhnya seperti yang tertera di atas. 8. Cell I7: =I6*(SQRT(I5-1)) artinya kita berusaha mendapatkan nilai z hitung berdasarkan nilai rho. Rumus Z Hitung: rs X Akar(n-1), di mana rs adalah nilai rho pada langkah 7 dan n adalah jumlah sampel pada langkah 6. 9. Cell I8: Isi dengan 0,05 (Ini terserah anda isi dengan nilai berapa, cell ini adalah batas kritis yang anda gunakan. Biasanya penelitian menggunakan 0,05). 10. Cell I9: =NORM.S.INV(I8/2) artinya kita mendapatkan nilai Z Inverse batas bawah pada pengujian 2 sisi (two tailed) pada batas kritis pada langkah 9. 11. Cell I10: =ABS(NORM.S.INV(I8/2)) artinya kita mendapatkan nilai Z Inverse batas atas pada pengujian 2 sisi (two tailed) pada batas kritis pada langkah 9. 12. Cel I11: =IF(AND(I7>I9;I7<I10);"Tidak Sesuai";"Sesuai") artinya kita menjawab hipotesis, yaitu apabila nilai z hitung pada langkah 8 lebih dari -z tabel (langkah 10) dan kurang dari +z tabel (langkah 11) maka H0 diterima atau H1 ditolak. Sebaliknya jika -z hitung < -z tabel atau z hitung > z tabel maka H0 ditolak dan H1 diterima.

Menjawab Hipotesis Spearman

Bila sampel kecil <= 30: Dengan demikian korelasi Spearman (rho) variabel x dengan variabel y dalam contoh adalah 0,973. Nilai korelasi Spearman hitung ini (rho) lalu diperbandingkan dengan Spearman Tabel (rho tabel). Keputusan diambil dari perbandingan tersebut. Jika rho > rho tabel, H0 ditolak dan H1 diterima. Jika rho hitung <= rho tabel, H0 diterima, H1 ditolak. Pengambilan keputusan dari contoh di atas adalah karena rho hitung > rho tabel maka H0 ditolak dan H1 diterima. Artinya terdapat kesesuaian antara variabel x dengan variabel y. Rho Tabel Lihat Pada Sheet Spearman Tabel Pada File Excel Di Atas!

Bila sampel besar > 30: Bandingkan z hitung dengan z tabel. Pada contoh di atas, nilai z hitung adalah 4,242. Pada File Excel di atas, kita bisa langsung lihat jawaban hipotesis: Apabila pada Cell I11 "Sesuai" berarti ada kesesuaian peringkat antar kelompok atau H1 Diterima dan H0 Ditolak. Cara lain lihat di bawah ini: Nilai z tabel dicari dari tabel Z (lihat pada Sheet Z Tabel pada File Excel Di Atas!). Caranya adalah: 1. Tentukan Taraf Keyakinan Penelitian (misalnya 95%). Taraf Keyakinan 95% berarti Interval Keyakinan-nya (alpha) 0,05. Nilai 0,05 ini merupakan bentuk desimal dari 5% yang diperoleh dari pengurangan 100% selaku kebenaran absolut dengan 95% (100% - 95% = 5% atau 0,05). 2. Tentukan Uji yang digunakan. Apakah 1 sisi (One-Tailed) atau 2 sisi (Two-Tailed). Penentuan 1 sisi atau 2 sisi ini didasarkan hipotesis penelitian. Jika hipotesis hanya menyebutkan terdapat hubungan maka artinya bentuk hubungan belum ditentukan apakah positif atau negatif dan dengan demikian menggunakan uji 2 sisi. Jika hipotesis menyatakan terdapat hubungan positif atau terdapat hubungan negatif maka artinya bentuk hubungan sudah ditentukan dan dengan demikian menggunakan uji 1 sisi. 3. Jika Uji 2 Sisi (Two-Tailed) maka lihat Tabel Z. Dalam uji 2 sisi Interval Keyakinan dibagi dua yaitu 0,05 / 2 = 0,025. Cari pada kolom tabel nilai yang paling mendekati 0,025. Dari nilai yang paling dekat tersebut tarik garis ke kiri sehingga bertemu dengan nilai 1,9 + 0,060 = 1,96. Batas kiri pengambilan keputusan dengan kurva adalah 1,96 batas kanannya +1,96. Keputusannya: Tolak H0 dan Terima H1 jika z hitung < dari 1,96 dan > dari +1,96. Sebaliknya, Terima H0 dan Tolak H1 jika z hitung > -1,96 dan < dari +1,96.

KORELASI
KORELASI
Merupakan teknik statistik yang digunakan untuk meguji ada/tidaknya hubungan serta arah hubungan dari dua variabel atau lebih Korelasi yang akan dibahas dalam pelatihan ini adalah : Korelasi sederhana pearson & spearman Korelasi partial Korelasi ganda

KOEFISIEN KORELASI
Besar kecilnya hubungan antara dua variabel dinyatakan dalam bilangan yang disebut Koefisien Korelasi Besarnya Koefisien korelasi antara -1 0 +1 Besaran koefisien korelasi -1 & 1 adalah korelasi yang sempurna Koefisien korelasi 0 atau mendekati 0 dianggap tidak berhubungan antara dua variabel yang diuji

ARAH HUBUNGAN
Positif (Koefisien 0 s/d 1) Negatif (Koefisien 0 s/d -1) Nihil (Koefisien 0)

PEARSON CORRELATION
Digunakan untuk data interval & rasio Distribusi data normal Terdiri dari dua variabel 1 Variabel X (Independen) 1 Variabel Y (dependen)

CONTOH

Judul: Hubungan antara intensitas belajar dengan prestasi mata kuliah statistik Variabel X : Intensitas belajar (diukur dari lamanya belajar dalam satu minggu) Variabel Y : Prestasi matakuliah statistik (diukur dari nilai ujian akhir semester)

Hipotesa: H0: Tidak ada hubungan antara Intenitas belajar dengan prestasi mata kuliah statistik Ha: Ada hubungan antara Intenitas belajar dengan prestasi mata kuliah statistik

INPUT DATA KE SPSS

SPSS
Ada dua view dalam SPSS Data View : digunakan untuk memasukkan data yang akan dianalisis Variabel View : digunakan untuk memberi nama variabel dan pemberian koding

UJI NORMALITAS

INTERPRETASI NORMALITAS

TAHAP ANALISIS

INTERPRETASI
Untuk pengambilan keputusan statistik, dapat digunakan 2 cara: 1. Koefisien Korelasi dibandingkan dengan nilai r tabel (korelasi tabel) Apabila Koefisien Korelasi > r tabel, Maka ada korelasi yang signifikan (Ha Diterima) Apabila Koefisien Korelasi < r tabel, Maka tidak ada korelasi yang signifikan (H0 Diterima)

2. Melihat Sig. Apabila nilai Sig. < 0,05 Maka ada korelasi yang signifikan (Ha Diterima) Apabila nilai Sig. > 0,05 Maka tidak ada korelasi yang signifikan (H0 Diterima)

Arah hubungan: Dilihat dari tanda koefisien korelasi Tanda (-) berarti apabila variabel X tinggi maka variabel Y rendah Tanda (+) berarti apabila variabel X tinggi maka variabel Y juga tinggi

SPEARMAN
Digunakan untuk jenis data ordinal Cara analisis dan interpretasi sama dengan Pearson. Perbedaan hanya pada waktu memilih box yang diaktifkan adalah box spearman.

KORELASI PARTIAL
Korelasi yang digunakan untuk menguji hubungan dua atau lebih variabel independen dengan satu variabel dependen dan dilakukan pengendalian pada salah satu variabel independennya

CONTOH Judul: Hubungan antara biaya promosi dan penjualan dengan mengendalikan jumlah outlet Variabel X1: Biaya Promosi Variabel X2: Jumlah outlet (dikendalikan) Variabel Y: Penjualan

Hipotesa: H0: Tidak ada hubungan antara biaya promosi dengan penjualan apabila jumlah outlet dikendalikan Ha: Ada hubungan antara biaya promosi dengan penjualan apabila jumlah outlet dikendalikan

CONTOH Buka data : Korelasi ganda dan partial.sav Data ANALISIS

KORELASI PARTIAL

OUTPUT PARTIAL

KORELASI GANDA
Korelasi yang digunakan untuk menguji hubungan dua atau lebih variabel independen dengan satu variabel dependen secara bersamaan.

CONTOH Judul: Hubungan antara biaya promosi dan jumlah outlet dengan penjualan Variabel X1: Biaya Promosi Variabel X2: Jumlah outlet Variabel Y: Penjualan

Hipotesa: H0: Tidak ada hubungan antara biaya promosi dan jumlah outlet dengan penjualan Ha: Ada hubungan antara biaya promosi dan jumlah outlet dengan penjualan

CONTOH Buka data : Korelasi ganda dan partial.sav Data

KORELASI GANDA

INTERPRETASI KORELASI GANDA

kuat Untuk menginterpretasi korelasi ganda lihat nilai R, semakin mendekati 1 maka korelasi semakin

Guna memperkaya analisis, sebelum dianalisis korelasi ganda dapat juga ditambahkan analisis korelasi pada masing-masing variabel independen dengan variabel dependen (caranya sama dengan analisis korelasi pearson.

REGRESI
Analisis regresi adalah analisis lanjutan dari korelasi

Menguji sejauh mana pengaruh variabel independen terhadap variabel dependen setelah diketahui ada hubungan antara variabel tersebut Data harus interval/rasio Data Berdistribusi normal.

Yang akan dibahas dalam pelatihan ini adalah: Regresi sederhana: yaitu regresi untuk 1 variabel independen dengan 1 variabel dependen

 Regresi ganda: yaitu regresi untuk lebih dari satu variabel independen dengan 1 variabel dependen.

REGRESI SEDERHANA
Buka data : Pearson.sav Data

INTERPRETASI REGRESI SEDERHANA

Output 1

Lihat nilai R = 0,843 ini berarti bahwa korelasi antara variabel X dengan Y adalah 0,843

INTERPRETASI REGRESI SEDERHANA OTPUT 2

Untuk melihat signifikansi persamaan regresi dapat dilihat dari nilai F = 81,329 dan dibandingkan dengan F tabel 0,05 Apabila nilai F < F tabelmaka persamaan garis regresi tidak dapat digunakan untuk prediksi Apabila nilai F > F tabelmaka persamaan garis regresi dapat digunakan untuk prediksi Selain itu dapat pula dengan melihat nilai Sig. dapat digunakan untuk prediksi apabila nilai Sig. <

INTERPRETASI REGRESI SEDERHANA OUTPUT 3

Untuk membuat persamaan garis regresi dapat dilihat dari kolom B.

Constan = 38,481 dan intensitas belajar= 2,978 Berarti persamaan garisnya adalah: Y=38,481 + 2,978 X.

REGRESI GANDA Digunakan untuk analisis regresi dengan jumlah variabel independen lebih dari satu dengan satu variabel dependen Ada tambahan asumsi yang harus dipenuhi, yaitu tidak boleh ada korelasi antar variabel-variabel independennya (multikolinearitas) CONTOH Buka data : Korelasi ganda dan partial.sav

INTERPRETASI REGRESI GANDA Output 1

Lihat nilai R = 0,976 ini berarti bahwa korelasi antara variabel X1dan X2secara bersamaan dengan Y adalah 0,976.

INTERPRETASI REGRESI GANDA Output 2

Untuk melihat signifikansi persamaan regresi dapat dilihat dari nilai F = 118,294 dan dibandingkan dengan F tabel 0,05 Apabila nilai F < F tabelmaka persamaan garis regresi tidak dapat digunakan untuk prediksi Apabila nilai F > F tabelmaka persamaan garis regresi dapat digunakan untuk prediksi Selain itu dapat pula dengan melihat nilai Sig. dapat digunakan untuk prediksi apabila nilai Sig. <

INTERPRETASI REGRESI GANDA Output 3

Untuk membuat persamaan garis regresi dapat dilihat dari kolom B. Constan = 64,639 Biaya promosi= 2,342 Jumlah Outlet= 0,535 Berarti persamaan garisnya adalah: Y=64,639 + 2,342 biaya promosi + 0,535 Jumlah Outlet

INTERPRETASI REGRESI GANDA Output 4

Identifikasi kolinieritas dapat dilakukan dengan melihat: Output 3, Kolom VIF. : terjadi kolinearitas apabila nilai VIF > 5 Output 4, Kolom eugenvalue: terjadi kolinearitas apabila nilai eugenvalue mendekati 0

Output 4, Kolom condition index: terjadi kolinearitas apabila nilai condition index > 15. Dikatakan parah apabila > 30

TEORI ANALISIS KORELASI MENGENAL ANALISIS KORELASI Bab ini membahas masalah pengenalan analisis korelasi dan teori korelasi. Setelah selesai membaca bagian ini maka pembaca akan dapat memahami:

Pengertian pengukuran asosiasi Pengertian korelasi Kegunaan teknik analisis korelasi Pengertian korelasi dan kausalitas Pengertian korelasi dan linieritas Asumsi dalam menggunakan korelasi Karakteristik korelasi Koefesien korelasi Signifikansi Interpretasi korelasi Uji hipotesis dalam korelasi Koefesien determinasi

1.1 Pengertian Sepanjang sejarah umat manusia, orang melakukan penelitian mengenai ada dan tidaknya hubungan antara dua hal, fenomena, kejadian atau lainnya. Usahausaha untuk mengukur hubungan ini dikenal sebagai mengukur asosiasi antara dua fenomena atau kejadian yang menimbulkan rasa ingin tahu para peneliti. Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran asosiasi / hubungan (measures of association). Pengukuran asosiasi merupakan istilah umum yang mengacu pada sekelompok teknik dalam statistik bivariat yang digunakan untuk mengukur kekuatan hubungan antara dua variabel. Diantara sekian banyak teknik-teknik pengukuran asosiasi, terdapat dua teknik korelasi yang sangat populer sampai sekarang, yaitu Korelasi Pearson Product Moment dan Korelasi Rank Spearman. Selain kedua teknik tersebut, terdapat pula teknik-teknik korelasi lain, seperti Kendal, Chi-Square, Phi Coefficient, Goodman-Kruskal, Somer, dan Wilson. Pengukuran asosiasi mengenakan nilai numerik untuk mengetahui tingkatan asosiasi atau kekuatan hubungan antara variabel. Dua variabel dikatakan berasosiasi jika perilaku variabel yang satu mempengaruhi variabel yang lain. Jika tidak terjadi pengaruh, maka kedua variabel tersebut disebut independen. Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variabel (kadang lebih dari dua variabel) dengan skala-skala tertentu, misalnya Pearson data harus berskala interval atau rasio; Spearman dan Kendal menggunakan skala ordinal; Chi Square menggunakan data nominal. Kuat lemah hubungan diukur diantara jarak (range) 0 sampai dengan 1. Korelasi mempunyai kemungkinan pengujian hipotesis dua arah (two tailed). Korelasi searah jika nilai koefesien korelasi diketemukan positif; sebaliknya jika nilai koefesien korelasi negatif,

korelasi disebut tidak searah. Yang dimaksud dengan koefesien korelasi ialah suatu pengukuran statistik kovariasi atau asosiasi antara dua variabel. Jika koefesien korelasi diketemukan tidak sama dengan nol (0), maka terdapat ketergantungan antara dua variabel tersebut. Jika koefesien korelasi diketemukan +1. maka hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear sempurna dengan kemiringan (slope) positif. Jika koefesien korelasi diketemukan -1. maka hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear sempurna dengan kemiringan (slope) negatif. Dalam korelasi sempurna tidak diperlukan lagi pengujian hipotesis, karena kedua variabel mempunyai hubungan linear yang sempurna. Artinya variabel X mempengaruhi variabel Y secara sempurna. Jika korelasi sama dengan nol (0), maka tidak terdapat hubungan antara kedua variabel tersebut.

Dalam korelasi sebenarnya tidak dikenal istilah variabel bebas dan tergantung. Biasanya dalam penghitungan digunakan simbol X untuk pertama dan Y untuk variabel kedua. Dalam contoh hubungan antara remunerasi dengan kepuasan kerja, maka variabel remunerasi merupakan X dan kepuasan kerja merupakan variabel Y.

variabel variabel variabel variabel

1.2 Kegunaan Pengukuran asosiasi berguna untuk mengukur kekuatan (strength) hubungan antar dua variabel atau lebih. Contoh: mengukur hubungan antara variabel: Motivasi kerja dengan produktivitas Kualitas layanan dengan kepuasan pelanggan Tingkat inflasi dengan IHSG Pengukuran ini hubungan antara dua variabel untuk masing-masing kasus akan menghasilkan keputusan, diantaranya: Hubungan kedua variabel tidak ada Hubungan kedua variabel lemah Hubungan kedua variabel cukup kuat Hubungan kedua variabel kuat Hubungan kedua variabel sangat kuat Penentuan tersebut didasarkan pada kriteria yang menyebutkan jika hubungan mendekati 1, maka hubungan semakin kuat; sebaliknya jika hubungan mendekati 0, maka hubungan semakin lemah.

1.3 Teori Korelasi 1.3.1 Korelasi dan Kausalitas Ada perbedaan mendasar antara korelasi dan kausalitas. Jika kedua variabel dikatakan berkorelasi, maka kita tergoda untuk mengatakan bahwa variabel yang satu mempengaruhi variabel yang lain atau dengan kata lain terdapat hubungan kausalitas. Kenyataannya belum tentu. Hubungan kausalitas terjadi jika variabel X mempengaruhi Y. Jika kedua variabel diperlakukan secara simetris (nilai pengukuran tetap sama seandainya peranan variabel-variabel tersebut ditukar) maka meski kedua variabel berkorelasi tidak dapat dikatakan mempunyai hubungan kausalitas. Dengan demikian, jika terdapat dua variabel yang berkorelasi, tidak harus terdapat hubungan kausalitas. Terdapat dictum yang mengatakan correlation does not imply causation. Artinya korelasi tidak dapat digunakan secara valid untuk melihat adanya hubungan kausalitas dalam variabel-variabel. Dalam korelasi aspek-aspek yang melandasi terdapatnya hubungan antar variabel mungkin tidak diketahui atau tidak langsung. Oleh karena itu dengan menetapkan korelasi dalam hubungannya dengan variabelvariabel yang diteliti tidak akan memberikan persyaratan yang memadai untuk menetapkan hubungan kausalitas kedalam variabel-variabel tersebut. Sekalipun demikian bukan berarti bahwa korelasi tidak dapat digunakan sebagai indikasi adanya hubungan kausalitas antar variabel. Korelasi dapat digunakan sebagai salah satu bukti adanya kemungkinan terdapatnya hubungan kausalitas tetapi tidak dapat memberikan indikasi hubungan kausalitas seperti apa jika memang itu terjadi dalam variabelvariabel yang diteliti, misalnya model recursive, dimana X mempengaruhi Y atau non-recursive, misalnya X mempengaruhi Y dan Y mempengaruhi X. Dengan untuk mengidentifikasi hubungan kausalitas tidak dapat begitu saja dilihat dengan kaca mata korelasi tetapi sebaiknya menggunakan model-model yang lebih tepat, misalnya regresi, analisis jalur ataustructural equation model. 1.3.2 Korelasi dan Linieritas Terdapat hubungan erat antara pengertian korelasi dan linieritas. Korelasi Pearson, misalnya, menunjukkan adanya kekuatan hubungan linier dalam dua variabel. Sekalipun demikian jika asumsi normalitas salah maka nilai korelasi tidak akan memadai untuk membuktikan adanya hubungan linieritas. Linieritas artinya asumsi adanya hubungan dalam bentuk garis lurus antara variabel. Linearitas antara dua variabel dapat dinilai melalui observasi scatterplots bivariat. Jika kedua variabel berdistribusi normal dan behubungan secara linier, maka scatterplot berbentuk oval; jika tidak berdistribusi normal scatterplot tidak berbentuk oval.

Gambar 1.1 Hubungan Linear Sempurna

Dalam praktinya kadang data yang digunakan akan menghasilkan korelasi tinggi tetapi hubungan tidak linier; atau sebaliknya korelasi rendah tetapi hubungan linier. Dengan demikian agar linieritas hubungan dipenuhi, maka data yang digunakan harus mempunyai distribusi normal. Dengan kata lain, koefesien korelasi hanya merupakan statistik ringkasan sehingga tidak dapat digunakan sebagai sarana untuk memeriksa data secara individual. 1.3.3 Asumsi Asumsi dasar korelasi diantaranya seperti tertera di bawah ini:

Kedua variabel bersifat independen satu dengan lainnya, artinya masing-masing variabel berdiri sendiri dan tidak tergantung satu dengan lainnya. Tidak ada istilah variabel bebas dan variabel tergantung. Data untuk kedua variabel berdistribusi normal. Data yang mempunyai distribusi normal artinya data yang distribusinya simetris sempurna. Jika digunakan bahasa umum disebut berbentuk kurva bel. Menurut Johnston (2004) ciri-ciri data yang mempunyai distribusi normal ialah sebagai berikut:

1.

Kurva frekuensi normal menunjukkan frekuensi tertinggi berada di tengah-tengah, yaitu berada pada rata-rata (mean) nilai distribusi dengan kurva sejajar dan tepat sama pada bagian sisi kiri dan kanannya. Kesimpulannya, nilai yang paling sering muncul dalam distribusi normal ialah rata-rata (average), dengan setengahnya berada dibawah rata-rata dan setengahnya yang lain berada di atas rata-rata. Kurva normal, sering juga disebut sebagai kurva bel, berbentuk simetris sempurna. Karena dua bagian sisi dari tengah-tengah benar-benar simetris, maka frekuensi nilai-nilai diatas rata-rata (mean) akan benar-benar cocok dengan frekuensi nilai-nilai di bawah ratarata.

2. 3.

4. Frekuensi total semua nilai dalam populasi akan berada dalam area dibawah kurva. Perlu diketahui bahwa area total dibawah kurva mewakili kemungkinan munculnya karakteristik tersebut. 5. Kurva normal dapat mempunyai bentuk yang berbeda-beda. Yang menentukan bentuk-bentuk tersebut adalah nilai rata-rata dan simpangan baku (standard deviation) populasi.

Gambar distribusi normal seperti berikut ini:

Gambar 1.2 Distribusi Normal untuk Kurva Frekuensi 20 Koin

X dan Y mempunyai hubungan linier. Hubungan linier artinya hubungan kedua variabel membentuk garis lurus.

1.3.4 Karakteristik Korelasi Korelasi mempunyai karakteristik-karakteristik diantaranya: a. Kisaran Korelasi Kisaran (range) korelasi mulai dari 0 sampai dengan 1. Korelasi dapat positif dan dapat pula negatif. b. Korelasi Sama Dengan Nol Korelasi sama dengan 0 mempunyai arti tidak ada hubungan antara dua variabel. Jika dilihat dari sebaran data, maka gambarnya akan seperti terlihat di bawah ini: Gambar 1.3 Korelasi dimana r = 0

c. Korelasi Sama Dengan Satu

Korelasi sama dengan + 1 artinya kedua variabel mempunyai hubungan linier sempurna (membentuk garis lurus) positif. Korelasi sempurna seperti ini mempunyai makna jika nilai X naik, maka Y juga naik seperti pada gambar yang tertera di bawah ini:

Gamb ar 1.4 Korelasi dimana r = + 1

Korelasi sama dengan -1 artinya kedua variabel mempunyai hubungan linier sempurna (membentuk garis lurus) negatif. Korelasi sempurna seperti ini mempunyai makna jika nilai X naik, maka Y turun (dan sebaliknya) seperti pada gambar yang tertera di bawah ini:

Gambar 1.5 Korelasi dimana r = - 1

1.3.5 Koefesien Korelasi Koefesien korelasi ialah pengukuran statistik kovarian atau asosiasi antara dua variabel. Besarnya koefesien korelasi berkisar antara +1 s/d -1. Koefesien korelasi

menunjukkan kekuatan (strength) hubungan linear dan arah hubungan dua variabel acak. Jika koefesien korelasi positif, maka kedua variabel mempunyai hubungan searah. Artinya jika nilai variabel X tinggi, maka nilai variabel Y akan tinggi pula. Sebaliknya, jika koefesien korelasi negatif, maka kedua variabel mempunyai hubungan terbalik. Artinya jika nilai variabel X tinggi, maka nilai variabel Y akan menjadi rendah (dan sebaliknya). Untuk memudahkan melakukan interpretasi mengenai kekuatan hubungan antara dua variabel penulis memberikan kriteria sebagai berikut (Sarwono:2006):
o o o o o o

0 : Tidak ada korelasi antara dua variabel >0 0,25: Korelasi sangat lemah >0,25 0,5: Korelasi cukup >0,5 0,75: Korelasi kuat >0,75 0,99: Korelasi sangat kuat 1: Korelasi sempurna

1.3.6 Signifikansi Apa sebenarnya signifikansi itu? Dalam bahasa Inggris umum, kata, "significant" mempunyai makna penting; sedang dalam pengertian statistik kata tersebut mempunyai makna benar tidak didasarkan secara kebetulan. Hasil riset dapat benar tapi tidak penting. Signifikansi / probabilitas / memberikan gambaran mengenai bagaimana hasil riset itu mempunyai kesempatan untuk benar. Jika kita memilih signifikansi sebesar 0,01, maka artinya kita menentukan hasil riset nanti mempunyai kesempatan untuk benar sebesar 99% dan untuk salah sebesar 1%. Secara umum kita menggunakan angka signifikansi sebesar 0,01; 0,05 dan 0,1. Pertimbangan penggunaan angka tersebut didasarkan pada tingkat kepercayaan (confidence interval) yang diinginkan oleh peneliti. Angka signifikansi sebesar 0,01 mempunyai pengertian bahwa tingkat kepercayaan atau bahasa umumnya keinginan kita untuk memperoleh kebenaran dalam riset kita adalah sebesar 99%. Jika angka signifikansi sebesar 0,05, maka tingkat kepercayaan adalah sebesar 95%. Jika angka signifikansi sebesar 0,1, maka tingkat kepercayaan adalah sebesar 90%. Pertimbangan lain ialah menyangkut jumlah data (sample) yang akan digunakan dalam riset. Semakin kecil angka signifikansi, maka ukuran sample akan semakin besar. Sebaliknya semakin besar angka signifikansi, maka ukuran sample akan semakin kecil. Unutuk memperoleh angka signifikansi yang baik, biasanya diperlukan ukuran sample yang besar. Sebaliknya jika ukuran sample semakin kecil, maka kemungkinan munculnya kesalahan semakin ada. Untuk pengujian dalam SPSS digunakan kriteria sebagai berikut:
o

Jika angka signifikansi hasil riset < 0,05, maka hubungan kedua variabel signifikan.

Jika angka signifikansi hasil riset > 0,05, maka hubungan kedua variabel tidak signifikan

1.3.7 Interpretasi Korelasi Ada tiga penafsiran hasil analisis korelasi, meliputi: pertama, melihat kekuatan hubungan dua variabel; kedua, melihat signifikansi hubungan; dan ketiga, melihat arah hubungan. Untuk melakukan interpretasi kekuatan hubungan antara dua variabel dilakukan dengan melihat angka koefesien korelasi hasil perhitungan dengan menggunakan kriteria sbb:

Jika angka koefesien korelasi menunjukkan 0, maka kedua variabel tidak mempunyai hubungan Jika angka koefesien korelasi mendekati 1, maka kedua variabel mempunyai hubungan semakin kuat Jika angka koefesien korelasi mendekati 0, maka kedua variabel mempunyai hubungan semakin lemah Jika angka koefesien korelasi sama dengan 1, maka kedua variabel mempunyai hubungan linier sempurna positif. Jika angka koefesien korelasi sama dengan -1, maka kedua variabel mempunyai hubungan linier sempurna negatif.

Interpretasi berikutnya melihat signifikansi hubungan dua variabel dengan didasarkan pada angka signifikansi yang dihasilkan dari penghitungan dengan ketentuan sebagaimana sudah dibahas di bagian 2.7. di atas. Interpretasi ini akan membuktikan apakah hubungan kedua variabel tersebut signifikan atau tidak. Interpretasi ketiga melihat arah korelasi. Dalam korelasi ada dua arah korelasi, yaitu searah dan tidak searah. Pada SPSS hal ini ditandai dengan pesan two tailed. Arah korelasi dilihat dari angka koefesien korelasi. Jika koefesien korelasi positif, maka hubungan kedua variabel searah. Searah artinya jika variabel X nilainya tinggi, maka variabel Y juga tinggi. Jika koefesien korelasi negatif, maka hubungan kedua variabel tidak searah. Tidak searah artinya jika variabel X nilainya tinggi, maka variabel Y akan rendah. Dalam kasus, misalnya hubungan antara kepuasan kerja dan komitmen terhadap organisasi sebesar 0,86 dengan angka signifikansi sebesar 0 akan mempunyai makna bahwa hubungan antara variabel kepuasan kerja dan komitmen terhadap organisasi sangat kuat, signifikan dan searah. Sebaliknya dalam kasus hubungan antara variabel mangkir kerja dengan produktivitas sebesar -0,86, dengan angka signifikansi sebesar 0; maka hubungan kedua variabel sangat kuat, signifikan dan tidak searah. 1.3.8. Uji Hipotesis

Pengujian hipotesis uintuk korelasi digunakan uji T. Rumusnya sebagai berikut:

Pengambilan keputusan menggunakan angka pembanding t tabel dengan kriteria sebagai berikut: Jika t hitung > t table H0 ditolak; H1 diterima Jika t hitung < t table H0 diterima; H1 ditolak Kita dapat juga menggunakan kurva seperti di bawah ini:

Contoh: Hubungan antara kepuasan kerja dengan loyalitas pegawai Hipotesis berbunyi sbb:

H0: Tidak ada hubungan antara kepuasan kerja dengan loyalitas pegawai

H1: Ada hubungan antara kepuasan kerja dengan loyalitas pegawai

Hasil t hitung sebesar 3,6 T table dengan ketentuan = 0,05 Degree of freedom: n-2, dan n = 30 diketemukan sebesar: 2,048. Didasarkan ketentuan di atas, maka t hitung 3,6 > t table 2,048. Dengan demikian H0 ditolak dan H1 diterima. Artinya ada hubungan antara kepuasan kerja dengan loyalitas pegawai Disamping menggunakan cara diatas, cara kedua ialah menggunakan angka signifikansi. Caranya sebagai berikut: Hipotesis berbunyi sbb:

H0: Tidak ada hubungan signifikan antara kepuasan kerja dengan loyalitas pegawai H1: Ada hubungan signifikan antara kepuasan kerja dengan loyalitas pegawai

Angka signifikansi hasil perhitungan sebesar 0,03. Bandingkan dengan angka signifikansi sebesar 0,05. Keputusan menggunakan kriteria sbb:
o o

Jika angka signifikansi hasil riset < 0,05, maka H0 ditolak. Jika angka signifikansi hasil riset > 0,05, maka H0 diterima

Didasarkan ketentuan diatas maka signifikansi hitung sebesar 0,03 < 0,05, maka H0 ditolak dan H1 diterima. Artinya Ada hubungan signifikan antara kepuasan kerja dengan loyalitas pegawai. Dalam SPSS pengujian dilakukan dengan menggunakan angka signifikansi. Oleh karena itu dalam contoh analisis pada bab berikutnya akan hanya menggunakan angka signifikansi.

1.3.9 Koefesien Determinasi Koefesien diterminasi dengan simbol r2 merupakan proporsi variabilitas dalam suatu data yang dihitung didasarkan pada model statistik. Definisi berikutnya menyebutkan bahwa r2 merupakan rasio variabilitas nilai-nilai yang dibuat model dengan variabilitas nilai data asli. Secara umum r2 digunakan sebagai informasi mengenai kecocokan suatu model. Dalam regresi r2 ini dijadikan sebagai pengukuran seberapa baik garis regresi mendekati nilai data asli yang dibuat model. Jika r 2 sama dengan 1, maka angka tersebut menunjukkan garis regresi cocok dengan data secara sempurna. Interpretasi lain ialah bahwa r2 diartikan sebagai proporsi variasi tanggapan yang diterangkan oleh regresor (variabel bebas / X) dalam model. Dengan demikian, jika r2 = 1 akan mempunyai arti bahwa model yang sesuai menerangkan semua

variabilitas dalam variabel Y. jika r2 = 0 akan mempunyai arti bahwa tidak ada hubungan antara regresor (X) dengan variabel Y. Dalam kasus misalnya jika r 2 = 0,8 mempunyai arti bahwa sebesar 80% variasi dari variabel Y (variabel tergantung / response) dapat diterangkan dengan variabel X (variabel bebas / explanatory); sedang sisanya 0,2 dipengaruhi oleh variabel-variabel yang tidak diketahui atau variabilitas yang inheren. (Rumus untuk menghitung koefesien determinasi (KD) adalah KD = r2 x 100%) Variabilitas mempunyai makna penyebaran / distribusi seperangkat nilainilai tertentu. Dengan menggunakan bahasa umum, pengaruh variabel X terhadap Y adalah sebesar 80%; sedang sisanya 20% dipengaruhi oleh faktor lain. Dalam hubungannya dengan korelasi, maka r2 merupakan kuadrat dari koefesien korelasi yang berkaitan dengan variabel bebas (X) dan variabel Y (tergantung). Secara umum dikatakan bahwa r2 merupakan kuadrat korelasi antara variabel yang digunakan sebagai predictor (X) dan variabel yang memberikan response (Y). Dengan menggunakan bahasa sederhana r2 merupakan koefesien korelasi yang dikuadratkan. Oleh karena itu, penggunaan koefesien determinasi dalam korelasi tidak harus diinterpretasikan sebagai besarnya pengaruh variabel X terhadap Y mengingat bahwa korelasi tidak sama dengan kausalitas. Secara bebas dikatakan dua variabel mempunyai hubungan belum tentu variabel satu mempengaruhi variabel lainnya. Lebih lanjut dalam konteks korelasi antara dua variabel maka pengaruh variabel X terhadap Y tidak nampak. Kemungkinannya hanya korelasi merupakan penanda awal bahwa variabel X mungkin berpengaruh terhadap Y. Sedang bagaimana pengaruh itu terjadi dan ada atau tidak kita akan mengalami kesulitan untuk membuktikannya. Hanya menggunakan angka r2 kita tidak akan dapat membuktikan bahwa variabel X mempengaruhi Y. Dengan demikian jika kita menggunakan korelasi sebaiknya jangan menggunakan koefesien determinasi untuk melihat pengaruh X terhadap Y karena korelasi hanya menunjukkan adanya hubungan antara variabel X dan Y. Jika tujuan riset hanya untuk mengukur hubungan maka sebaiknya berhenti saja di angka koefisien korelasi. Sedang jika kita ingin mengukur besarnya pengaruh variabel X terhadap Y sebaiknya menggunakan rumus lain, seperti regresi atau analisis jalur.

1.4 Ringkasan Teknik analisis korelasi merupakan bagian dari teknik pengukuran asosiasi (measure of association) yang berguna untuk mengukur kekuatan hubungan dua variabel (atau lebih). Terdapat beberapa teknik analisis korelasi, diantaranya yang paling terkenal dan digunakan secara luas diseluruh dunia ialah teknik analisis korelasi Pearson dan Spearman. Korelasi merupakan teknik analisis yang digunakan untuk mengukur kekuatan hubungan dua variabel. Korelasi tidak secara otomatis menunjukkan hubungan kausalitas antar variabel. Hubungan dalam korelasi dapat berupa hubungan linier

positif dan negatif. Interpretasi koefesien korelasi akan menghasilkan makna kekuatan, signifikansi dan arah hubungan kedua variabel yang diteliti. Untuk melihat kekuatan koefisien korelasi didasarkan pada jarak yang berkisar antara 0 -1. Untuk melihat signifikansi hubungan digunakan angka signifikansi / probabilitas / alpha. Untuk melihat arah korelasi dilihat dari angka koefisien korelasi yang menunjukkan positif atau negatif. Konsep-konsep korelasi dalam bagian ini akan dijadikan sebagai pijakan atau landasan teori dalam menggunakan teknik korelasi di bagian-bagian berikutnya dalam buku ini. Oleh karena itu, pembaca perlu memahami konsep dasar korelasi sebelum menggunakannya. 1.5 Pertanyaan-Pertanyaan 1. Mengapa pengukuran asosiasi penting dalam kehidupan manusia sampai saat ini? 2. Apa yang dimaksud dengan asosiasi itu? 3. Sebutkan contoh-contoh teknik analisis yang termasuk dalam pengukuran asosiasi! 4. Apa kegunaan pokok teknik analisis korelasi? 5. Bagaimana kedudukan variabel dalam korelasi? 6. Apa maksud korelasi sama dengan 0? 7. Apa maksud korelasi tidak sama dengan 0? 8. Apa maksud korelasi sama dengan + 1? 9. Apa maksud korelasi sama dengan -1? 10. Kapan kita dapat menggunakan teknik korelasi? 11. Apa perbedaan antara korelasi dan kausalitas? 12. Apa perbedaan antara korelasi dan linieritas? 13. Apa saja asumsi dalam menggunakan korelasi dan terangkan maksudnya? 14. Sebutkan karakteristik korelasi! 15. Apa yang dimaksud dengan koefesien korelasi? Berikan contohnya! 16. Apa makna signifikansi dalam korelasi? Terangkan dengan jelas! 17. Apa saja hasil interpretasi dalam analisis korelasi? 18. Bagaimana melakukan pengujian hipotesis dalam korelasi? 19. Apa itu koefesien determinasi? 20. Perlukah kita menghitung koefesien determinasi dalam korelasi? Berikan penjelasannya.