TOPIK 4

ANALISIS KORELASI
- Syarat penggunaan analisis korelasi
- Kaedah analisis korelasi
- Interpretasi dan pelaporan hasil
korelasi
 Pengenalan
• Metod korelasi mula digunakan pada tahun
1885 apabila Francis Galton dalam
penulisannya mengenai ‘Regression Towards
Mediocrity in Heriditary Stature’ telah cuba
meramal bahawa ciri-ciri fizikal anak-anak
dapat ditentukan oleh kriterium yang terdapt
pada kedua ibu bapanya.

2
• Terdapat tiga langkah dalam penentuan
perhubungan antara variable.
i. Mengenal pasti variable bersandar dan
variable bebas dalam perhubungan
ii. Menentukan skal pengukuran
iii. Melakukan analisis ke atas perhubungan
antara variable-variable

3
 UJIAN KORELASI

• Korelasi merupakan perhubungan antara variabel-variabel

dan kekuatan sesuatu korelasi diwakili oleh pekali korelasi
dalam ujian korelasi.

• Terdapat beberapa jenis korelasi yang digunakan

bergantung kepada jenis skala pengukuran dan bilangan
variabel yang terlibat dalam korelasi

• Secara amnya, jenis korelasi yang digunakan bergantung

kepada jenis skala pengukuran dan bilangan variable yang
terlibat dalam korelasi.
 Contoh Objektif Kajian (RO)dan
Soalan Kajian (RQ)
• RO: Untuk mengenalpasti perhubungan antara
IQ dan dan prestasi dalam ujian matematik
dalam kalangan pelajar Bachelor Kaunseling

• RQ: Adakah terdapat perhubungan antara IQ

dan prestasi dalam ujian matematik dalam
kalangan pelajar Bachelor Kaunseling

5
 Contoh Hipotesis Korelasi
• Hipotesis Nul (Ho)
Tidak terdapat perhubungan antara IQ dan
prestasi dalam ujian matematik bagi pelajar
Bacelor Kaunseling

• Hipotesis Alternatif/Penyelidikan (Ha)

Terdapat perhubungan antara IQ dan prestasi
dalam ujian matematik bagi pelajar Bachelor
Kaunseling
6
 Korelisi Poin-biserial
Korelasi Perason Korelasi Phi - 1 variabel skala
- Skala nisbah dan - Data nisbah/selang
selang nominal - 1 variabel lagi
berskala nominal

Korelasi Biserial Korelasi Spearman

Korelasi Tetrachoric Rho
- 1 variabel skala
- kedua-dua skala nisbah/selang
mempunyai - Taburan tidak
pangkatan - 1 variabel lagi normal, kedua-dua
berskala ordinal berskala nominal

Korelasi Cramer dan Lambda Korelasi Rank-biserial

- kedua-dua variabel berskala nominal dan - 1 skala nominal
mempunyai lebih daripada 1 kategori
dalam setiap variabel - 1 skala ordinal
 VARIABEL X

SKALA NOMINAL ORDINAL NISBAH/

SELANG

NOMINAL 1. Phi Rank-biserial Point-biserial

2.Cramer
3. Lambda
VARIABEL Y
ORDINAL Rank-biserial 1. Spearman Rho Biserial
2. Tetrachoric

NISBAH/ Point-biserial Biserial Pearson-

SELANG Moment
Product
 Pekali Korelasi
• Pekali korelasi merupakan indeks atau nilai yang menggambarkan
hubungan di antara dua pembolehubah.
• Ia mempunyai julat di antara -1.0 hingga +1.0.
• Nilai korelasi +1.0 menunjukkan hubungan positif yang amat kuat.
• Semua pasangan markat pembolehubah yang terlibat seperti X dan Y
contohnya berada di satu garisan lurus mengarah ke Timur Laut (Rajah 1).
• Nilai pekali korelasi -1.0 pula menunjukkan hubungan songsang atau
negative yang kuat
• Semua pasangan market dalam pembolehubah yang terlibat berada di
atas satu garisan lurus mengarah ke arah Barat Laut (Rajah 2).
• Nilai pekali korelasi boleh menjadi sifar (0).
• Ini menjukkan dua pembolehubah tersebut tidak mempunyai hubungan
dan boleh ditafsirkan bahawa pembolehubah tersebut bebas di antara
satu sama lain

9
 Rajah 1

1. Korelasi positif
* Korelasi positif adalah hubungan antara 2 variabel dimana kenaikan satu
variabel menyebabkan penambahan nilai pada variabel lainnya. Atau sebaliknya,
semakin kecil nilai suatu variabel, nilai variabel lainnya juga akan ikut turun. Bisa
dikatakan juga, korelasi ini merupakan hubungan yang searah.

* Contohnya : Semakin banyak belajar, semakin tinggi prestasi akademik.

10
 Rajah 2
2. Korelasi negatif
- Korelasi negatif adalah hubungan antara 2 variabel dimana kenaikan
satu variabel menyebakan penurunan nilai dari variabel lainnya.
Begitu juga sebaliknya, semakin kecil nilai suatu variabel, semakin
besar nilai variabel lainnya. Hubungan antara kedua variabel dalam
keadaan ini adalah berbalik arah.
- Contoh: Semakin banyak main game, semakin kurang tumpuan
kepada pelajaran

11
Tiada korelasi

12
13
14
15
 Mengira Pekali Korelasi
• Pekali korelasi boleh dikira dengan pelbagai
cara sperti yang telah dinyatakan dalam slide
sebelum ini. Tetapi dua cara yang paling
popular ialah menggunakan:
1. Formula Pearson
2. Formula Spearman

16
 Formula Pearson
• Formula pengiraan mengira pekali Pearson
(Pearson r) pembolehubah X dan Y adalah
seperti berikut:

rxy = NƩXY – (ƩX)(ƩY)

[NƩX2 – (ƩX)2][NƩY2 – (ƩY)2]

17
 Pengiraan Pekali Korelasi Dengan
Data Mentah
• Dalam jadual 1 ditunjukkan markat motivasi
(x) dalam lajur 1 dan market prestasi
akademik (Y) dalam lajur 2. Kuasa dua markat
motivasi (x2) dalam lajur 3 dan kuasa dua
market prestasi akademik (Y2) dalam lajur 4.
Lajur 5 menunjukkan hasil darab pasangan
market motivasi dan prestasi akademik (XY).
Jumlah bagilajur ditunjukkan di bawah setiap
lajur.
18
 Jadual 1
Pengiraan Pekali Korelasi Pearson Markat Motivasi (X) dan Prestasi Akademik
1 2 3 4 5
X Y X2 Y2 XY
63 68 3939 4624 4284
70 75 4900 5625 5250
71 76 5041 5776 5396
64 69 4096 4761 4416
60 52 3600 2704 3120
65 62 4225 3844 4030
66 70 4356 4900 4620
64 61 4096 3721 3904
70 75 4900 5625 5250
67 72 4489 5184 4824
Ʃ660 680 43672 46764 45094

19
• rxy = NƩXY – (ƩX)(ƩY)
[NƩX2 – (ƩX)2][NƩY2 – (ƩY)2]
= 10(45094) – (660)(680)
[10(43672) – (660)2][10(46764) – (680)2
= 450940 – 48800
(43672 – 435600)(46740 – 462400)
=2140
(1120)(5240)
= 2140
2422.56
=88
20
• Nilai pekali korelasi yang diperolehi ialah positif .88. Ini
menunjukkan pembolehubah motivasi mempunyai hubungan
positif dengan prestasi akademik.
• Pelajar yang tinggi markat motivasinya bertendensi untuk
mempunyai markat prestasi yang tinggi.
• Sebaliknya pelajar yang market motivasinya rendah
bertendensi mempunyai markat prestasi akademik yang
rendah juga.
• Sebagai contoh, pelajar yang mepunyai markat motivasi 70
mempunyai markat prestasi akademik 75. Pelajar yang
mempunyai markat motivasi 60, prestasi akademiknya paling
rendah iaitu 52.

21
 Nilai Pekali Korelasi r
• Nilai korelasi r boleh diintepretasikan secara deskriptif dan
arbitari. Nilai r yang menghampiri 1.0 dikatakan mempunyai
hubungan tinggi., manakala hubungan yang lemah
ditunjukkan oleh nilai r yang menghampiri sifar.
• Interpretasi cara ini sering menghubungkaitkan dengan darjah
hubungan dua pembolehubah yang dikaji.
• Untuk menyatakan hubungan dua pembolehubah itu,
peraturan yang biasa digunakan dan dipersetujui oleh ra,ai
penyelidik sebagai rule of thumb pernah ditunjukkan oleh
Hinkle, Wiersma & Jurs (1998) berdasarkan kepada saiz pekali
korelasi.
• Interpretasinya ditunjukkan dalam jadual di bawah.
22
 Jadual 1
Interpretasi Mengikut Saiz Pekali Korelais
(Aras Kekuatan Nilai Pekali Korelasi/Kekuatan Hubungan)

Saiz pekali korelasi (r) Interpretasi/

Kekuatan Korelasi
.91 hingga 1.00 atau -.91 hingga -1.00 Sangat Kuat

.71 hingga .90 atau -.71 hingga -.90 Kuat

.51 hingga .70 atau -.51 hingga -.70 Sederhana

.31 hingga .50 atau -.31 hingga -.50 Lemah

.01 hingga .30 atau -.01 hingga -.30 Sangat Lemah

.00 Tiada Korelasi

Pekali Korelasi Pangkat Formula Spearman

• Bagi data yang berbentuk pangkatan (ordinal) atau

tersusun mengikut tertib, hubungan dua
pembolehubah X dan Y boleh dikira dengan
menggunakan metod korelasi Pangkat Spearman.
• Pekali korelasi Spearman kepada populasi bersimbol
Ps dan pekali bagi sampel pula bersimbol rs
• Formula pengiraan adalah seperti berikut:

24
• rs = 1 - 6Ʃd
2

2
N(N – 1)

• d = perbezaan pangkat kepada pasangan data X dan Y bagi

setiap ke.
• N = ialah jumlah data
• Nilai rs = sama denga nilai pekalin korelasi Pearson (r) yang
mempunyai julat antara -1.0 hingga +1.0

25
 Pengiraan Pekali Korelasi Pearson
• Data yang ditunjukkan dalam Jadual 1 sebelum ini boleh
diberikan pangkat daripada yang tinggi kepada rendah.
• Mana-mana markat yang sama bagi setiap pembolehubah
perlu diberi pangkat yang sama.
• Sebagai contoh, terdapat dua kes yang mempunyai markat 70
dalam pembolehubah motivasi (X). Kedudukan pangkat bagi
market 70 ialah 2 dan 3.
• Oleh kerana markatnya sama (70), pangkat yang diberikan
mestilah sama iaitu purata kepada pangkat tersebut.
• Dalam kes ini pangkatnya ialah 1.5. Seterusnya markat yang
terletak di bawah 70 iaitu 67 berada pada pangkat yang
keempat.

26
 Jadual 2
Pengiraam pekali Korelasi Spearman dengan menggunakan market Motivasi
dan Prestasi akademik
1 2 3 4 5 6
X Y Pangkat X Pangkat Y d d2
70 75 2.5 2.5 0 0
67 72 4 4 0 0
70 75 2.5 2.5 0 0
71 76 1 1 0 0
64 69 7.5 6 1.5 2.25
63 68 9 7 2 4
65 62 6 8 2 4
66 70 5 5 0 0
64 61 7.5 9 -1.5 2.25
60 52 10 10 0 0
Ʃd2 = 12.5
27
• rs = 1 - 6Ʃd
2

2
N(N – 1)

• =1– 6(12.5)
10(102-1)
• =1– 75.0
• 10(99)
• =1– 75.0
• 990
• = .92

28
 Analisis Data
Statistical Package For Sosial Sciences
(SPSS)
SPSS OPEN WINDOW
DATA VIEW
Variable View
COMPUTE VARIABLE
CORRELATION ANALYZE
Cont…
CORRELATION OUTPUT
Pekali korelasi Korelasi adalah signifikan pada
r =.80 p<.01

37
CONTOH PENULISAN LAPORAN HASIL
ANALISIS DATA
 Contoh Analisis Korelasi (Signifikan)
Jadual 4.14
Hubungan antara IQ Terhadap Prestasi pencapaian matematik dalam kalangan pelajar Bachelor Kaunseling

Prestasi Matematik
r
IQ 0.80**

** p<0.01

Daripada Jadual 4.14 didapati keputusan analisis korelasi Pearson yang

menunjukkan bahawa terdapat hubungan positif yang signifikan di antara
IQ dengan prestasi matematik, r =0.80, p<0.05. Ini menunjukkan faktor IQ
berhubungan dengan Prestasi pencapaian matematik dalam kalangan
pelajar Bachelor Kaunseling. Kekuatan hubungan adalah kuat iaitu 0.80.
Dengan itu, hipotesis nul yang kelima yang dibina tidak diterima.
 Contoh Analisis Korelasi
(Tidak Signifikan)
Jadual 4.14
Hubungan antara IQ Terhadap Prestasi pencapaian matematik dalam kalangan pelajar Bachelor Kaunseling

Prestasi Matematik
r
IQ 0.40

Daripada Jadual 4.14 didapati keputusan analisis korelasi Pearson yang

menunjukkan bahawa tidak terdapat hubungan yang signifikan di antara IQ
dengan prestasi matematik, r =0.40, p>.05. Ini menunjukkan faktor IQ tidak
berhubungan dengan Prestasi pencapaian matematik dalam kalangan
pelajar Bachelor Kaunseling. Dengan itu, hipotesis nul yang kelima yang
dibina diterima.
TERIMA KASIH / THANK YOU
www.upm.edu.my