Uji Korelasi Kendall Tau-b SPSS

Tutorial Penelitian ~ Uji Korelasi Kendall Tau-b atau Kendall rank correlation coefficient

atau Kendall's tau coefficient adalah uji hipotesis untuk mengetahui hubungan 2 variabel.
Pada dasarnya Uji Korelasi Kendall memiliki asumsi sama dengan Uji Spearman's rhoyaitu
menguji korelasi 2 variabel berdata ordinal atau salah satu variabel berdata ordinal dan
lainnya nominal maupun rasio.
Terkait dengan karakteristik skala data ordinal tersebut maka uji korelasi Kendall
termasuk statistik nonparametrik yaitu tidak mensyaratkan data harus berdistribusi normal.
Untuk mengetahui terdapat hubungan atau tidak dapat dilihat dari nilai signifikansi dan
seberapa kuat hubungan tersebut dapat dilihat dari nilai koefisien korelasi atau r.
Koefisien korelasi Kendall Tau  cocok sebagai ukuran korelasi dengan jenis data yang sama
di mana rs dapat digunakan. Fungsi koefisien Kendall Tau merupakan ukuran asosiasi/
korelasi/ hubungan antara dua variabel yang didasarkan atas ranking. Kedua variabel
mempunyai tingkatan data ordinal.
Korelasi Kendall Tau adalah ukuran korelasi yang setara dengan Spearman Rank terkait
dengan asumsi yang mendasarinya serta kekuatan statistiknya. Namun besaran Spearman
Rank dan Kendall Tau akan berbeda dalam logika mendasari serta formula perhitungannya.
Jika Spearman Rank setara dengan PPM, yaitu koefisien korelasinya menunjukkan proporsi
variabilitas (di mana untuk Spearman Rank dihitung dari rank sedangkan PPM dari data
aslinya), sebaliknya Kendall Tau merupakan probabilitas perbedaan antara probabilitas data
dua variabel dalam urutan yang sama dengan probabilitas dua variabel dalam urutan yang
berbeda.
Kasus:
 Adakah hubungan antara status anemia Ibu Hamil (Anemia) dengan Berat Badan Bayi
Lahir Rendah (BBBLR)?
 N = 10
 Anemia menggunakan skala ordinal
o 1 = Anemia
o 0 = Tidak Anemia
 BBBL menggunakan skala ordinal
o 1 = BBBLR
o 0 = Tidak BBBLR
INPUT DATA

Gambar 1
Input data ke spreadsheets Microsoft Excel kemudian copy dan paste ke spreadsheets Data
View SPSSdilanjutkan dengan input parameter deskripsi ke spreadsheets Data Variable
SPSS.

Gambar 1 (klik untuk perbesar) adalah penampakan spreadsheets Data View SPSS. Dengan
demikian kita memliki 2 kolom variabel. Pada tahap ini input data sudah selesai. Lanjut
langkah perintah uji.

LANGKAH-LANGKAH
1. Klik Analyze - Correlate - Bivariat
2. Pindahkan Anemia dan BBBLR ke Variables
3. Pilih Kendall tau-b, Two-tailed dan Flag significant correlations
4. Klik OK

Gambar 2
Gambar 2 (klik untuk perbesar) adalah menu pop-up pada saat Anda melakukan langkah ke-
2, ke-3 dan ke-4 yaitu memilih variabel yang akan dianalisis dan kriterium.
Pada tahap ini uji Kendall Tau-b atau Kendall rank correlation coefficient atau Koefisien
Kendall Tau sudah selesai dan kita sudah memiliki output. Langkah selanjutnya mengambil
keputusan berdasarkan output.

PENGAMBILAN KEPUTUSAN
 Jika Sig di atas 0,05 maka Ho diterima
 Jika Sig di bawah 0,05 maka Ho ditolak

Gambar 3
Gambar 3 (klik untuk perbesar) adalah output hasil uji. Nilai Pearson's r sebesar 0,802
dengan Sig. (2-tailed) sebesar 0,016 atau lebih kecil dari 0,05 sehingga diputuskan Anemia
dan BBBLR berhubungan nyata dan signifikan.
Regresi Linear sederhana adalah model prediksi yang digunakan pada data berskala interval
atau rasio dan hanya melibatkan dua variabel, yaitu satu variabel bebas dan satu variabel
terikat. Dalam artikel ini anda akan disuguhkan tutorial cara melakukannya secara detail dan
mudah dipelajari oleh mahasiswa yang sedang penelitian atau sedang mempelajari ilmu
statistik.
Panduan Lengkap Uji Analisis Regresi Linear Sederhana dengan SPSS 
Analisis regresi linear sederhana atau dalam bahasa inggris disebut dengan nama simple
linear regression digunakan untuk mengukur besarnya pengaruh satu variabel bebas atau
variabel independent atau variabel predictor atau variabel X terhadap variabel tergantung atau
variabel dependen atau variabel terikat atau variabel Y. Syarat kelayakan yang harus
terpenuhi saat kita menggunakan regresi linear sederhana adalah:
Jumlah sampel yang digunakan harus sama
1. Jumlah variabel bebas (X) adalah 1 (satu)
2. Nilai residual harus berdistribusi normal
3. Terdapat hubungan yang linear antara variabel bebas (X) dengan variabel tergantung
(Y).
4. Tidak terjadi gejala heteroskedastisitas
5. Tidak terjadi gejala autokorelasi [untuk data time series]
CONTOH KASUS UJI ANALISIS REGRESI LINEAR SEDERHANA

Sebagai contoh saya mempunyai data penelitian dengan judul “Pengaruh Stres Kerja
Terhadap Kinerja Pegawai”. Dari judul diatas maka hipotesis atau kesimpulan sementara
yang saya ajukan dan yang saya akan uji dengan analisis regresi linear sederhana adalah “Ada
Pengaruh Stres Kerja Terhadap Kinerja Pegawai”. Adapun data penelitian yang saya maksud
sebagaimana tabel di bawah ini

KETERANGAN TERKAIT DATA PENELITIAN

1. Data diatas diperoleh dari hasil penyebaran kuesioner atau angket (menggunakan nilai
skor total jawaban responden atas item-item soal kuesioner)
2. Jika menggunakan kuesioner untuk data penelitian, maka item-item kuesioner tersebut
harus dipastikan sudah lolos uji validitas dan reliabilitas terlebih dahulu
3. Jumlah sampel yang digunakan adalah 12 responden (pegawai)
4. Variabel Penelitian : Stres Kerja sebagai variabel bebas (X) dan Kinerja Pegawai
sebagai variabel tergantung (Y)

CARA UJI ANALISIS REGRESI LINEAR SEDERHANA DENGAN SPSS

Sebelum kita masuk pada cara pengolahan data dalam uji analisis regresi linear sederhana
dengan SPSS, terlebih dahulu kita harus memastikan data tersebut telah lolos dalam syarat
kelayakan model regresi linear sederhana tentunya dengan cara melakukan uji normalitas, uji
linearitas dan uji heteroskedastisitas. Sementara untuk uji autokorelasi tidak perlu dilakukan
karena data di atas tidak termasuk data time series atau data runtut waktu. Adapun urutan
langkah-langkah uji analisis regresi linear sederhana dengan SPSS adalah sebagai berikut:

1. Buka lembar kerja SPSS lalu klik Variable View, selanjutnya pada kolom Name untuk
baris pertama tulis X, baris kedua Y. Lalu pada kolom Label baris pertama tulis Stres Kerja
dan baris kedua tulis Kinerja Pegawai [untuk pilihan lainnya biarkan tetap default]

2. Langkah berikutnya klik Data View [dari tampilan Data View terlihat ada dua nama
variabel yakni X dan Y], selanjutnya masukkan data penelitian dengan ketentuan X untuk
data Stres Kerja dan Y untuk Kinerja Pegawai [pada saat memasukkan data penelitian harus
dilakukan dengan teliti dan cermat karena jika terjadi kesalahan pada proses penginputan ini,
maka output SPSS tidak akan mengeluarkan hasil yang akurat sesuai dengan harapan anda
3. Jika sudah yakin di input dengan benar, langkah selanjutnya kita klik menu Analyze –
kemudian klik Regression – lalu klik Linear…
4. Setelah itu akan muncul kotak dialog Linear Regression, masukkan variabel Stres Kerja
[X] ke kotak Independent(s), dan masukkan variabel Kinerja Pegawai [Y] ke
kotak Dependent, caranya dengan mengklik tanda panah yang tersedia. Selanjutnya pada
bagian Method: pilih Enter (abaikan pilihan yang lainnya)

5. Langkah terakhir adalah klik Ok untuk mengakhiri perintah, maka akan keluar output
SPSS regresi linear sederhana sebagai berikut

Keterangan : Menjelaskan tentang variabel yang dimasukkan serta metode yang digunakan
dalam analisis regresi linear
Keterangan : Berfungsi untuk uji F dalam analisis regresi linear berganda

MEMBUAT PERSAMAAN REGRESI LINEAR SEDERHANA

Secara umum rumus persamaan regresi linear sederhana adalah Y = a + bX. Sementara untuk
mengetahui nilai koefisien regresi tersebut kita dapat berpedoman pada output yang berada
pada tabel coefficients berikut

a = angka konstan dari unstandardized coefficients. Dalam kasus ini nilainya sebesar 35,420.
Angka ini merupakan angka konstan yang mempunyai arti bahwa jika tidak ada Stres Kerja
(X) maka nilai konsisten Kinerja Pegawai (Y) adalah sebesar 35,420
b = angka koefisien regresi. Nilainya sebesar -0,511. Angka ini menggandung arti bahwa
setiap penambahan 1% tingkat Stres Kerja (X), maka Kinerja Pegawai (Y) akan meningkat
sebesar -0,511

Kerena nilai koefisien regresi bernilai minus (-), maka dengan demikian dapat dikatakan
bahwa Stres Kerja (X) berpengaruh negatif terhadap Kinerja Pegawai (Y). Sehingga
persamaan regresinya adalah Y = 35,420 - 0,511 X

UJI HIPOTESIS DALAM ANALISIS REGRESI LINEAR SEDERHANA

Uji hipotesis atau uji pengaruh berfungsi untuk mengetahui apakah koefisien regresi tersebut
signifikan atau tidak. Sekedar mengingatkan bahwa hipotesis yang saya ajukan dalam analisis
regresi linear sederhana ini adalah:

H0 = Tidak ada Pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y).
Ha = Ada Pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y).

Sementara itu, untuk memastikan apakah koefisien regresi tersebut signifikan atau tidak
(dalam arti variabel X berpengaruh terhadap variabel Y) kita dapat melakukan uji hipotesis
ini dengan cara membandingkan nilai signifikansi (Sig.) dengan probabilitas 0,05 atau
dengan cara lain yakni membandingkan nilai t hitung dengan t tabel.

UJI HIPOTESIS MEMBANDINGKAN NILAI Sig DENGAN 0,05

Adapun yang menjadi dasar pengambilan keputusan dalam analisis regresi dengan melihat
nilai signifikansi (Sig.) hasil output SPSS adalah:

1. Jika nilai signifikansi (Sig.) lebih kecil < dari probabilitas 0,05 mengandung arti
bahwa ada Pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y).
2. Sebaliknya, jika nilai signifikansi (Sig.) lebih besar > dari probabilitas 0,05
mengandung arti bahwa tidak ada Pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y).

Output SPSS (coefficients)

Berdasarkan output di atas diketahui nilai signifikansi (Sig.) sebesar 0,001 lebih kecil dari <
probabilitas 0,05, sehingga dapat disimpulkan bahwa H0 ditolak dan Ha diterima, yang
berarti bahwa “Ada Pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y)”

UJI HIPOTESIS MEMBANDINGKAN NILAI T HITUNG DENGAN T TABEL

Pengujian hipotesis ini sering disebut juga dengan uji t, dimana dasar pengambilan keputusan
dalam uji t adalah:

1. Jika nilai t hitung lebih besar > dari t tabel maka ada Pengaruh Stres Kerja (X)
terhadap Kinerja Pegawai (Y)
2. Sebaliknya, jika nilai t hitung lebih kecil < dari t tabel maka tidak ada Pengaruh Stres
Kerja (X) terhadap Kinerja Pegawai (Y)

Output SPSS (coefficients)

Berdasarkan output di atas diketahui nilai t hitung sebesar -4,418. Karena nilai t hitung sudah
ditemukan, maka langkah selanjunya kita akan mencari nilai t tabel. Adapun rumus dalam
mencari t tabel adalah:

Nilai a / 2 = 0,05 / 2 = 0,025

Derajad kebebasan (df) = n – 2 = 12 – 2 = 10
Nilai 0,025 ; 10 kemudian kita lihat pada distribusi nilai t tabel (Download distribusi nilai t
tabel), maka di dapat nilai t tabel sebesar 2,228

Karena nilai t hitung sebesar -4,418 lebih besar dari > 2,228, sehingga dapat disimpulkan
bahwa H0 ditolak dan Ha diterima, yang berarti bahwa “Ada Pengaruh Stres Kerja (X)
terhadap Kinerja Pegawai (Y)”. [nilai t hitung -4,418 dianggap lebih besar dari nilai t tabel
2,228 dalam analisis regresi liner sederhana [Pengertian ini, akan lebih jelas jika saya
gambarkan dengan kurva uji t dalam analisis regresi linear sederhana dibawah ini]

Catatan: Uji t dapat menjadi alternatif uji hipotesis jika nilai signifikansi hasil SPSS tepat di
angka 0,05

UJI HIPOTESIS DENGAN MELIHAT KURVA REGRESI

Pengujian menggunakan kurva regresi akan bermanfaat jika nilai t hitung ditemukan negatif
(-) yakni -4,418. Simak dengan teliti kurva regresi di bawah ini

Berdasarkan kurva di atas diketahui bahwa nilai t hitung sebesar-4,418 terletak pada area
pengaruh negatif, sehingga dapat disimpulkan bahwa “Ada Pengaruh Negatif Stres Kerja (X)
terhadap Kinerja Pegawai (Y)”.
MELIHAT BESARNYA PENGARUH VARIABEL X TERHADAP Y

Untuk mengetahui besarnya pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y) dalam
analisis regresi linear sederhana, kita dapat berpedoman pada nilai R Square atau R2 yang
terdapat pada output SPSS bagian Model Summary

Dari output di atas diketahui nilai R Square sebesar 0,661. Nilai ini mengandung arti bahwa
pengaruh Stres Kerja (X) terhadap Kinerja Pegawai (Y) adalah sebesar 66,1 % sedangkan
33,9% Kinerja Pegawai dipengaruhi oleh variabel yang lain yang tidak diteliti.

KESIMPULAN DARI UJI ANALISIS REGRESI LINEAR SEDERHANA

Merujuk pada membahasan di atas, maka dapat kita simpulkan bahwa “Stres Kerja (X)
berpengaruh negatif terhadap Kinerja Pegawai (Y) dengan total pengaruh sebesar 66,1 %.
Pengaruh negatif ini bermakna semakin menurunnya stres kerja seorang karyawan (pegawai)
maka akan berpengaruh terhadap peningkatan kinerja pegawai tersebut.

Perlu anda cermati bahwa uji analisis regresi linear sederhana digunakan untuk satu variabel
bebas (X). sementara jika anda menggunakan lebih dari satu variabel bebas (X) maka uji
yang ideal untuk anda lakukan adalah Uji Analisis Regresi Linear Berganda
Uji Normalitas dengan Kolmogorov Smirnov SPSS.

Salah satu asumsi dasar yang harus dipenuhi sebelum melakukan uji statistik parametrik
adalah uji normalitas. Uji ini digunakan untuk melihat apakah data yang telah dikumpulkan
menyebar mengikuti berdistribusi normal ataukah tidak. Bagaimana caranya melakukan
pengujian normalitas? Sebenarnya ada beberapa cara yang bisa dilakukan untuk menguji
normalitas data ini, diantaranya uji Chi-Square, Kolmogorov Smirnov, Lilliefors, Shapiro
Wilk, Jarque Bera, dan melihat plot residual data. Namun demikian, selain cara mudah
dengan melihat “normal probability plot”, cara yang familiar dilakukan adalah melakukan uji
Kolmogorov-Smirnov. Apabila variabel residu berdistribusi normal, maka asumsi normalitas
data terpenuhi, sehingga data bisa dilanjutkan dengan uji statistik lainnya (regresi, korelasi).
Sebaliknya, apabila uji normalitas ini tidak terpenuhi, maka proses pengujian tidak bisa
dilakukan. Kalopun terpaksa dilakukan, hasilnya bisa dipastikan tidak akan valid alias bias.
Berikut, akan diuraikan contoh langkah singkat uji Kolmogorov-Smirnov dengan SPSS 16.
Diketahui data produksi jagung (y) dalam kg, luas lahan (x1) dalam m2, jumlah bibit (x2)
dalam kg, dan jumlah pupuk (x3) dalam kg, dari beberapa petani di kecamatan X.
Selanjutnya dari data tersebut akan dibuat model regresi linier. Apakah sebaran data tersebut
mengikuti distribusi normal?
Secara umum ada 3 tahapan dalam pengujian statistik;
1. Pembuatan hipotesis.
2. Pengujian statistik.
3. Penarikan kesimpulan.
Langkah-langkah:
1. Menetapkan hipotesis.
 Ho : data berdistribusi normal.
 H1 : data berdistribusi tidak normal.
     Dasar Pengambilan Keputusan Uji Normalitas
 Jika nilai sig (signifikansi) > 0,05 maka terima Ho –> data berdistribusi normal.
 Jika nilai sig (signifikansi) < 0,05 maka tolak Ho –> data berdistribusi tidak normal.
2. Masukkan data dalam SPSS. Kemudian, buat variabel unstandardized residual. caranya;
pilih menu Analyze – Regression – Linear – masukkan variabel Y (Produksi Jagung) ke
Dependent, masukkan variabel X1, X2, X3 (Luas Lahan, Jumlah Bibit, Jumlah Pupuk) ke
Independent (s)
 
3. Selanjutnya Klik Save – pada bagian Residul, centang (V) Unstandardized (abaikan kolom
yang lain) – klik Continue – klik OK.

maka akan muncul di menu data view sebuah variabel baru RES_1.
4. Selanjutnya kita lakukan uji Kolmogorov-Smirnov dengan cara pilih menu Analyze, lalu
pilih Non-parametric Test, Legacy Dialogs-pilih submenu 1-Sample K-S.

5. Masukkan variabel unstandardized residual ke kotak Test Variable List.

6. Pada Test Distribution centang (V) normal (default).
7. Klik OK untuk mengakhiri. Maka akan terlihat output sebagai berikut.

Interpretasi Output.
Berdasarkan uji normalitas dengan Kolmogorov-Smirnov Test diperoleh nilai KSZ sebesar
0,898 dan Asymp.sig. sebesar 0,396 lebih besar dari 0,05. Karena nilai sig lebih besar dari
0,05, maka keputusannya adalah menerima Ho yang berarti bahwa data berdistribusi normal.
Berarti asumsi normalitas data terpenuhi.