Dr. Retno Palupi, drg.

,MKes
Pemilihan Uji Korelasi
Variabel Terikat (Dependent)

Bebas (Independent) Rasio/ Ordinal Nominal

Interval
Rasio/ Pearson Correlation Spearman Rank Asosiasi Eta
Interval Product Moment Correlation

Ordinal Spearman Rank • Spearman Rank Rank-biserial

Correlation correlation coefficient
Correlation
• Kendal Tau
Nominal Asosiasi Eta Rank-biserial Contingency
correlation coefficient Coefficient C
Pearson Correlation
Product Moment
 Yaitu teknis analisis korelasi yang digunakan
PEARSON untuk membuktikan korelasi (interdependensi)
antara 2 variabel atau lebih, tanpa memandang
CORRELATION mana yang merupakan variabel bebas dan
variabel tergantung (pola hubungan simetris)

(KORELASI LINIER  Skala data : Kuantitatif (interval, Rasio)

SEDERHANA DARI  Data Berdistribusi normal
PEARSON)
X Y
HUBUNGAN 2 ARAH
(SIMETRIS)

Keparahan penyakit Help Seeking Behavior

Diagram pencar (Scatter Plot)

Penentuan Uji
Korelasi
berdasarkan P
value

p Value < α
Ho ditolak
Berhubungan
signifikan
Koefisien korelasi (r)
Kisaran Nilai r : -1 < r < 1
Menunjukkan kekuatan hubungan
koefisien korelasi (r), yang mengandung 2 aspek:
1. KUAT KORELASI (MAGNITUDE)

Nila r=0,9, Artinya: Hubungan sangat kuat & Memiliki arah positif
(Semakin Tinggi X , semakin tinggi Y)
Kuat Hubungan
Koefisien korelasi (r)
• koefisien korelasi (r), yang mengandung 2 aspek:

2. Arah Hubungan

 Semakin tinggi jam belajar, semakin tinggi nilai UAS

 Semakin banyak jumlah absen (tidak masuk kuliah), semakin rendah
skor UAS
Pola Hubungan pada Diagram Scatter
UJI HIPOTESIS KORELASI
Rumusan Hipotesis Statistik
H null (H0) = Tidak ada hubungan antara X dan Y
Ha atau H1 = Ada hubungan antara X dan Y
pada α = 0,05
Keputusan :
Jika t hitung (p)  0,05  H0 DITOLAK  H1 DITERIMA 
KESIMPULANNYA “ADA HUBUNGAN SIGNIFIKAN ANTARA X DAN Y”
Jika signifikan, tahap berikutnya adalah menentukan kuat hubungan
dan arah hubungan melalui nilai koefisien korelasi (r)
Aplikasi Uji Korelasi Pearson menggunakan SPSS
• Rumusan Masalah:
Apakah ada hubungan antara pendapatan dan
hutang?

Hipotesis Penelitian:
Ada hubungan antara pendapatan dan hutang

HIPOTESIS STATISTIK
Ho : Tidak ada hubungan antara pendapatan dan
hutang
H1: Ada hubungan antara pendapatan dan hutang
Langkah 1. Deklarasi variabel& Entry data
Langkah 2. Analyze – correlate-bivariate-masukkan variabel-
continue-ok
 Cara membaca output Uji Korelasi Pearson
Descriptive Statistics Correlations
Mean Std. Deviation N
pendapatan hutang
Pearson Correlation 1 .960**
pendapatan 32522.73 11283.913 11
pendapatan
Sig. (2-tailed) .000
N 11 11
hutang 16059.09 4970.202 11
Pearson Correlation .960** 1
hutang
Sig. (2-tailed) .000
Interpretasi Hasil: N 11 11
Nilai p= 0,000 <  **. Correlation is significant at the 0.01 level (2-tailed).
H0 ditolak

Kesimpulan : Ada hubungan bermakna antara Keputusan Penolakan/penerimaan H0

pendapatan dan hutang H0 ditolak jika p Value < 
Kekuatan hubungan : sangat kuat (r=0,960),
arah hubungan positif/searah  Semakin
H0 diterima jika p value ≥ 
banyak pendapatan, semakin banyak hutang
SPEARMAN RHO
CORRELATION
 UJI KORELASI SPEARMAN RHO

Untuk mengetahui hubungan 2 variabel dengan skala data berikut :

Variabel bebas & terikat sama-sama berskala interval /rasio namun
tidak berdistribusi normal
Variabel terikat berskala ordinal ; variabel bebas berskala
interval/rasio
Bisa juga digunakan pada variabel bebas & terikat sama-sama
berskala berskala ordinal
Langkah1. Deklarasi variabel & entry data
Rumusan Masalah:
Apakah ada hubungan antara BB dan biaya
makan?

Hipotesis Penelitian:
Ada hubungan antara BB dan biaya makan

HIPOTESIS STATISTIK
Ho : Tidak ada hubungan antara BB dan
biaya makan
H1: Ada hubungan antara BB dan biaya
makan
Langkah 2. Analyze_correlate –bivariate-masukan
variabel – klik spearman - ok
Cara membaca output Korelasi Spearman
Cara membaca output Korelasi Spearman

Interpretasi Hasil
• P value = 0,024 < 0,05 → Ho ditolak
• Kesimpulan : Ada hubungan signifikan antara BB dan Biaya makan
• Kekuatan hubungan : KUAT =0,702
• Hubungan positif → Semakin tinggi BB akan semakin tinggi Biaya makan
Contingency Coefficient C
Contingency Coefficient C
• Koefisien kontingensi C adalah suatu ukuran asosiasi relasi antara dua
himpunan atribut.
• Ukuran ini dapat digunakan untuk menganalisis asosiasi antara
variabel bebas berskala nominal dan variabel terikat berskala nominal
• Pada data nominal, dimana tidak ada level antar kategori, maka di sini
nilai koefisien tidak berlaku nilai negative. Kekuatan hubungan hanya
berkisar antara 0 hingga +1
• Nilai koefisien hanya menggambarkan keeratan hubungan , namun
tidak menggambarkan arah hubungan
Contoh Kasus
Rumusan masalah :
• Apakah ada hubungan antara olahraga dan kebugaran ?
OLAH RAGA KEBUGARAN
Untuk menjawab rumusan
TANPA OLAH RAGA TIDAK BUGAR
masalah tersebut,
TANPA OLAH RAGA TIDAK BUGAR
digunakan uji hipotesis
TANPA OLAH RAGA TIDAK BUGAR
korelatif nonparametric :
TANPA OLAH RAGA BUGAR
OLAHRAGA BUGAR → Contingency Coefficient C
OLAH RAGA BUGAR
OLAH RAGA BUGAR
OLAH RAGA TIDAK BUGAR
TANPA OLAH RAGA BUGAR
TANPA OLAH RAGA TIDAK BUGAR
 • Klik Value
Langkah1. Deklarasi variabel • Tuliskan Value dan label nya
• Klik Add -- klik OK
• Klik Variabel Name
• Tuliskan Nama variabel
• Pilih tipe data
• Tentukan decimal : data kategori 0
desimal
Langkah 2. Entry Data

• Klik pada menu Data View

• Data di input sesuai
variable
Langkah 3. Analisis Data
• Klik Analize --- Descriptive Statistics ----Crosstabs – Variabel bebas dipindah
ke Raw; variable terikat pindah ke kolom ---
• Klik Menu Statistics --- Centang
pada pilihan Chy square dan • Klik Menu Cells --- Centang
Contingency Coefficient – klik pada pilihan Raw ; Column dan
Continue Total – klik Continue --OK
Interpretasi Output
Deskripsi Data
Bagaimana Interpretasinya ?
TERIMA
KASIH