KORELASI

Tujuan Analisis
Analisis Regresi:
Mempelajari hubungan statistik yang terjadi antara dua
atau lebih variabel
Hubungan dinyatakan dalam sebuah persamaan regresi
Variable terikat: yang akan di estimasi nilainya (diplot
dalam sumbu-y)
Variabel bebas: yang diasumsikan memberikan pengaruh
terhadap variasi variabel terikat (diplot dalam sumbu-x)
Analisis Korelasi:
Mengukur “seberapa kuat” atau “derajat kedekatan” suatu
relasi yang terjadi antar variabel
Sifat Relasi
Relasi yang logis:
Penilaian terhadap angka-angka statistik memerlukan
pertimbangan sifat dasar hubungan
Jenis Relasi:
Hubungan sebab akibat
Kenaikan temperatur dengan kecepatan reaksi proses
kimia
Hubungan akibat penyebab yang sama
Peningkatan penjualan rumah dan peningkatan penjualan
kendaraan bermotor
Hubungan semu
Kenaikan penjualan furniture di Jakarta dengan data
perubahan temperatur.
 Diagram Pencar
 Ada atau tidaknya relasi yang berguna antar variabel
 Jenis persamaan yang akan digunakan
Korelasi Sederhana
Korelasi sederhana ketika hanya melibatkan 2 variabel saja. Ketika masalah
korelasi melibatkan lebih dari 2 variabel maka disebut korelasi berganda.

KORELASI LINEAR
Jika X dan Y adalah variabel
yang kita tinjau, maka
diagram pencar akan
memperlihatkan lokasi titik-
titik (X,Y) di dalam sistem
koordinat persegi panjang.
Jika semua titik terletak di
dekat sebuah garis, korelasi
yang ada antara X dan Y
dikatakan bersifat linear.
 PENGERTIAN
• Korelasi merepresentasikan derajat hubungan antara variabel-
variabel.
• Korelasi mencoba menentukan seberapa baik sebuah persamaan
linear atau sembarangan persamaan matematis lain dalam
menggambarkan atau merepresentasikan hubungan yang ada
diantara berbagai variabel.

Sebuah persamaan yang dapat dipenuhi secara eksak oleh

semua nilai variabel yang ada, maka kita mengatakan
variabel-variabel tersebut berkorelasi secara sempurna.
Contoh: Keliling C dan radius r dari sebuah lingkaran
berkorelasi sempurna karena C=2𝜋𝑟
Analisis Korelasi
Untuk mengetahui seberapa dekat hubungan antara
variabel diperlukan ukuran yang menyatakan “kekuatan”
relasi tersebut.
Ukuran tersebut diperoleh melalui suatu analisis korelasi.

Ukuran Korelasi:
1. Koefisien Determinasi
2. Koefisien Korelasi
Konsep Deviasi Total

Deviasi Total merupakan penyimpangan nilai sebenarnya suatu

variabel terikat terhadap nilai rata-ratanya.
Deviasi total dapat diuraikan atas dua deviasi yaitu:
1. Deviasi terjelaskan (explained deviation)
 Penyimpangan nilai variabel terikat menurut prediksi persamaan
regresi terhadap rata-ratanya
2. Deviasi tak terjelaskan (unexplained deviation)
 Penyimpangan nilai variabel sesungguhnya terhadap nilai variabel
menurut prediksi persamaan regresi
Dapat didefinisikan suatu variabel total merupakan jumlah dari
variasi terjelaskan dan tak terjelaskan
෍ 𝑦 ∗ − 𝑦ത 2 = ෍ 𝑦ො − 𝑦ത 2 + ෍ 𝑦 ∗ − 𝑦ො 2

Di mana:
𝑦 ∗ − 𝑦ത 2 : deviasi total
𝑦ො − 𝑦ത 2 : deviasi terjelaskan
𝑦 ∗ − 𝑦ො 2 : deviasi tak terjelaskan
Koefisien Determinasi&Koefisien Korelasi
Koefisien determinasi (𝑟 2 ) didefinisikan sebagai
perbandingan dari variasi terjelaskan dengan variasi total:
σ 𝑦
ො − 𝑦
ത 2
𝑟2 =
σ 𝑦 − 𝑦ത 2
Nilai Koefisien determinasi berkisar antara 0 (tidak ada
relasi) dan 1 (relasi sempurna)

Koefisien Korelasi 𝑟 mempunyai nilai yang merupakan

akar dari koefisien determinasi:
𝑟 = ± 𝑟2
Nilai 𝑟 berkisar antara -1 sampai +1
Interpretasi Relasi
Misalnya nilai koefisien determinasi sebesar (𝑟 2 ) = 0.892 dapat
diartikan bahwa sekitar 89.2% variasi dari nilai variabel terikat
dapat dijelaskan,

Pada korelasi, dua hal yang sering disalahartikan:

1. Korelasi sering digunakan untuk membuktikan hubungan
sebab akibat. Hal ini merupakan kesalahan interpretasi,
karena hanya menunjukkan eksistensi dan kekuatan hubungan
antara variabel.
2. Koefisien korelasi sering diinterpretasikan sebagai nilai
persentase.Ini merupakan kesalahan, karena nilai 0.7 tidak
berarti 70% variasi variabel terikat dapat terjelaskan yang
sebenarnya 0.72 𝑎𝑡𝑎𝑢 49%
Klasifikasi Peubah
Berdasarkan skala pengukuran peubah terbagi atas 4 bagian:
1. Peubah berskala nominal
Hanya bersifat menggolongkan tidak bisa diurut. Cth: Jenis Kelamin
(Laki-Laki dan Perempuan)
2. Peubah berskala ordinal
Bersifat menggolongkan dan dapat diurutkan. Cth: Tingkatan Jenjang
Pendidikan (SD,SMP,SMA)
3. Peubah berskala Interval
Bersifat menggolongkan, mengurutkan, dan besarannya dapat
dibedakan, tapi tidak memiliki titik nol mutlak. Cth: suhu, nilai toefl
4. Peubah berskala Rasio/Nisbah
Bersifat menggolongkan, dapat diurutkan, dibedakan, dan
dibandingkan. Cth: Berat, Tinggi, Nilai
Beberapa Teknik Korelasi
1. Korelasi Product Moment Pearson
Koefisien korelasi ini digunakan untuk mengukur keeratan hubungan
antara dua variabel yang datanya berbentuk data interval atau rasio.
Disimbolkan dengan r dan dirumuskan:
𝑆𝑥𝑦
𝑟𝑥𝑦 = (1)
𝑆𝑥 𝑆𝑦
Di mana:
𝑆𝑥𝑦 :kovarian antara peubah X dan Peubah Y
𝑆𝑥 : simpangan baku peubah X
𝑆�𝑦: simpangan baku peubah Y
atau dapat dituliskan seperti berikut:
𝑛 σ 𝑋𝑌−σ 𝑋 σ 𝑌
𝑟= (2)
𝑛 σ 𝑋 2− σ𝑋 2 (𝑛 σ 𝑌 2 − σ𝑌 2)
 Contoh Perhitungan Kovarian dengan Menggunakan
Skor Simpangan
Tabel 1. Perhitungan Kovarian dengan Dari Tabel 1 diperoleh nilai-
Menggunakan Skor Simpangan nilai
𝑋ത = 5.14 𝑆𝑥 = 2.27
No. X Y x (X-X bar) y (Y-Ybar) xy dan
1 8 10 2.86 4 11.44 ത 6.00 𝑆𝑦 =3.21
𝑌=
2 7 8 1.86 2 3.72 Kovarian untuk Tabel 1
adalah
3 7 9 1.86 3 5.58 σ 𝑥𝑦
𝑆𝑥𝑦 =
4 5 6 -0.14 0 0.00 𝑛−1
5 4 5 -1.14 -1 1.14 43
= = 7.17
6
6 3 2 -2.14 -4 8.56 Dengan menggunakan rumus
7 2 2 -3.14 -4 12.56 (1) koefisien korelasi dari
data pada Tabel 1 adalah
Jumlah 36 42 0 0 𝑆𝑥𝑦 7.17
𝑟𝑥𝑦 = =
𝑆𝑥 𝑆𝑦 2.27 3.12
= 0.98
 Contoh Perhitungan Kovarian dengan Menggunakan
Skor Mentah
Tabel 2. Perhitungan Koefisien Korelasi Dengan menggunakan Rumus 2.
dengan Menggunakan Skor Mentah
No. X Y 𝑿𝟐 𝒀𝟐 XY 𝑛 σ 𝑋𝑌 − σ 𝑋 σ 𝑌
𝑟=
1 8 10 64 100 80 𝑛 σ 𝑋2 − σ 𝑋 2 (𝑛 σ 𝑌 2 − σ 𝑌 2 )

2 7 8 49 64 56 Dari Tabel 2. dapat dilihat

3 7 9 49 81 63 σ 𝑋= 36
4 5 6 25 36 30 σ 𝑌 = 42
σ 𝑋 2 =216
5 4 5 16 25 20 σ 𝑌 2 = 314
6 3 2 9 4 6 σ 𝑋𝑌 =259
7 2 2 4 4 4
7 259 − 36 42
Jumlah 36 42 216 314 259 𝑟=
7 216 − 36 2 7 314 − 42 2

= 0.98
Nilai dari koefisien korelasi (r) terletak antara -1 dan +1
(−1 ≤ 𝑟 ≤ +1).
• Jika r = +1, terjadi korelasi positif sempurna antara variabel X dan Y.
• Jika r = -1, terjadi korelasi negatif sempurna antara variabel X dan Y.
• Jika r = 0, tidak terdapat korelasi antara variabel X dan Y.
• Jika 0 < r < +1, terjadi korelasi positif antara variabel X dan Y.
• Jika -1 < r < 0, terjadi korelasi negatif antara variabel X dan Y.
2. Korelasi Biserial Titik
Korelasi biserial titik (point biserial) merupakan salah satu
bentuk korelasi Pearson yang digunakan dalam situasi khusus,
yaitu untuk mengkorelasikan satu peubah prediktor yang bersifat
dikhotomus (biner atau binomial) dengan satu peubah kriteria
berskala interval atau rasio.
Jika Peubah X bersifat dikhotomus dan peubah Y berskala
interval maka teknik korelasi product moment dapat ditulis:
𝑌𝑝 − 𝑌ഥ𝑡 𝑝
𝑟𝑝𝑏𝑖𝑠 =
𝑆𝑡 𝑞
Dimana:
𝑟𝑝𝑏𝑖𝑠 : koefisien korelasi biserial titik
𝑌𝑝 : rata-rata kelompok p (kelompok kesatu)
𝑌ഥ𝑡 : rata-rata seluruh subjek p : proporsi subjek kelompok satu
𝑆�𝑡 : simpangan baku untuk seluruh subjek q : proporsi subjek kelompok dua
contoh
Tabel 3. Jenis Kelamin(X) dan Sikap
Keuletan (Y)
Misal kelompok 1 adalah laki-laki dan kelompok 2
No. X Y adalah perempuan. Peubah jenis kelamin (X) ditulis
1 0 18 dengan angka 0 (perempuan) dan 1(laki-laki).
Kelompok kesatu (p) adalah kelompok laki-laki dan
2 0 17
q melambangkan kelompok perempuan.
3 0 20 Penyelesaian:
4 1 22 𝑌𝑝 − 𝑌ഥ𝑡 𝑝
𝑟𝑝𝑏𝑖𝑠 =
5 1 23 𝑆𝑡 𝑞
6 1 19 𝑌𝑝 = 21.33
𝑌ഥ𝑡 = 19.83 p= 3:6=0.50
𝑆𝑡 = 2.11 q= 1-0.50=0.50

Jadi
21.33 − 19.83 0.50
𝑟𝑝𝑏𝑖𝑠 =
2.11 0.50
= 0.71
3. Korelasi Phi
Teknik korelasi Phi digunakan untuk menentukan koefisien korelasi
antara dua peubah, jika keduanya bersifat dikhotomus.
Tabel 4. Contoh:
No. X Y No. X Y Misalnya hendak menemukan koefisien
korelasi antara jenis kelamin dengan respon
1 1 1 11 0 1
subjek terhadap suatu soal benar-salah.
2 1 1 12 0 1
Terdapat 20 orang subjek, X berarti jenis
3 1 1 13 0 0
kelamin (1:laki-laki dan 0: perempuan) Y
4 1 1 14 0 0 jawaban subjek (1:benar dan 0:salah). Data
5 1 1 15 0 0 pada Tabel 4.
6 1 1 16 0 0 Tabel Kontingensi 2x2 untuk menghitung
7 1 0 17 0 0 koefisien kontingensi
8 1 0 18 0 0 Y
9 1 0 19 0 0 0 1
10 1 0 20 0 0 X 1 a b
0 c d
Merujuk pada Tabel Kontingensi tadi maka, koefisien korelasi
Phi dapat ditentukan dengan Rumus:
𝑏𝑐 − 𝑎𝑑
Φ=
𝑎+𝑐 𝑏+𝑑 𝑎+𝑑 𝑐+𝑑

Jadi tabel kontingensi untuk data di atas adalah:

Y maka nilai phi
0 1
X 1 4 6 6(8) − 4(2)
Φ=
0 8 2 4+8 6+2 4+2 8+2
40
= = 0.527
5760
4. Korelasi Perbedaan Peringkat
Situasi khusus dalam korelasi linier adalah jika kedua peubah
yang hendak dikorelasikan berupa peringkat subjek pada masing-
masing peubah (bukan skor). Jika kedua peubah X dan Y berupa
peringkat dan huruf D digunakan untuk menyatakan selisih
(difference) antara X dan Y.
6 σ 𝐷2
𝑟𝑋𝑌 = 1 −
𝑛(𝑛2 − 1)
6(5.50)
Contoh: = 1-
No. X Y D 𝑫 𝟐 6(62 −1)
1 6 6 0 0 33
= 1-
2 5 4 1 1 210
3 4 5 -1 1 = 1- 0.16
4 3 1.5 1.5 2.25 = 0.84
5 2 3 -1 1
6 1 1.5 -0.5 0.25
Σ 5.50
 Laso
Ada 10 calon salesman yang diuji mengenai teknik penjualan. Setelah mereka
selesai diuji kemudian ditugaskan untuk melakukan penjualan. Hasilnya
adalah X= hasil ujian, Y=hasil penjualan tahun pertama. Nilai X dan Y dari 10
salesman termasuk ranknya dan selisih rank (d) sbb:
Nama Nilai Ujian (X) Hasil penjualan pertama
(ribuan rupiah) (Y) 6 σ 𝑑𝑖 2
𝑟 =1−
Rank Rank d 𝒅𝟐 𝑛(𝑛2 − 1)
Amin 48 312
2 1 1 6(1 + 4 + 1 + ⋯ + 1)
3 =1−
Joni 32 6 164 8 -2 4 10(102 − 1)
Tono 40 280 1 6(15.5)
5 4 1 =1−
0 10(99)
Amir 34 7 196 7 0
=0.91
Ahmad 30 8 200 6 2 4
Paulus 50 1.5 288 3 -1.5 2.25
Purwanto 26 9 146 10 -1 1
1.5 1 0.5 0.25
Bambang 50 361
10 9 1 1
Jatmiko 22 149
4 5 -1 1
Aryo 43 252
Korelasi untuk Data Berkelompok
Untuk data berkelompok rumus untuk menghitung koefisien
korelasinya adalah
𝑛 σ 𝑢𝑣𝑓 − σ 𝑢𝑓𝑢 σ 𝑣𝑓𝑣
𝑟=
𝑛 σ 𝑢2 𝑓𝑢 − σ 𝑢𝑓𝑢 2 [𝑛 σ 𝑣 2 𝑓𝑣 − σ 𝑣𝑓𝑣 2 ]
Contoh:
Nilai ujian matematika dan statistika
Dari tabel di bawah terilah u dan v, masing-masing adalah skala baru dari X dan
Y, merupakan simbol untuk menyederhanakan perhitungannya.

Apabila dua tabel frekuensi tersebut dilihat secara bersama-sama akan

diperoleh tabel berikut
Untuk keperluan perhitungan r, harus dibuat tabel korelasi
sebagai berikut: (perhatikan perubahan letak u,v, 𝑓𝑢 , dan 𝑓𝑣 )
v u -2 -1 0 1 2 3
2
1
0
-1
-2
-3

Untuk nilai v=2 terdapat beberapa u yaitu 1,2 dan 3. Dengan nilai f=2,4,4, maka
nilai hasil kali uf
uf=(1)(2)+(2)(4)+(3)(4)=2+8+12=22
Dengan mengalikan v=2 diperoleh hasil uvf= (22)(2)=44
Dari tabel korelasi dapat diikhtisarkan hasil sebagai berikut:
n=100, σ 𝑢𝑓𝑢 = 64 , σ 𝑢2 𝑓𝑢 = 236
σ 𝑢𝑣𝑓 = 125 σ 𝑣𝑓𝑣 = −55 , σ 𝑣 2 𝑓𝑣 = 253
Jadi,
𝑛 σ 𝑢𝑣𝑓 − σ 𝑢𝑓𝑢 σ 𝑣𝑓𝑣
𝑟=
𝑛 σ 𝑢2 𝑓𝑢 − σ 𝑢𝑓𝑢 2 [𝑛 σ 𝑣 2 𝑓𝑣 − σ 𝑣𝑓𝑣 2 ]
100 125 − (64)(−55)
=
100 236 − 64 2 [100 253 − (−55)2
= 0.7686 ≈ 0.77
Kesimpulan: Hubungan antara nilai matematika dan statistika
cukup kuat dan positif. Artinya, pada umumnya mahasiswa
dengan nilai matematika yang rendah akan memperoleh nilai
statistika yang rendah sebaliknya jika nilai matematikanya
tinggi maka nilai statistikanya juga tinggi.
LaSo
Untuk mengetahui hubungan yang positif antara pendapatan dan konsumsi
karyawan sebuah perusahaan industri dilakukan penelitian terhadap 43 orang
yang ditanya mengenai besarnya pendapatan per bulan dan juga pengeluaran
konsumsi per bulan yang masing-masing diukur dalam ribuan rupiah. Hasil
penelitian tersebut disajikan dalam tabel berikut. Hitunglah koefisien
korelasinya!