Professional Documents
Culture Documents
Lazimnya, null hypothesis memerlukan bukti konkrit untuk tidak menyokong usulnya.
Oleh itu, ia memainkan peranan yang libih penting daripada alternative hypothesis
yang menyokong. Maka, korelasi membolehkan penyelidik untuk menentukan sejauh
mana darjah asosiasi di antara dua pembolehubah dalam kajian. Sebagai contoh,
korelasi positif menunjukkan perhubungan secara langsung yang kuat; korelasi
negatif menunjukkan perhubungan secara songsang; manakala korelasi zero
menunjukkan tiada perhubungan. Keputusan korelasi ini adalah berdasarkan amalan
penggunaan analisis data, khasnya rumus pengiraan korelasi Spearman. Selain
daripada itu, keputusan korelasi pula boleh didapati daripada kaedah analisis data
yang lain, seperti chi-square, factor analysis dan ANOVA, iaitu singkatan bahasa
Inggeris mewakili analysis of variance.
Kebanyakan penyelidikan kuantitatif adalah menggunakan statistic inferential
untuk menganalisis dan menginterpretasi data pembolehubah independent dan
dependen, misalnya penyelidikan eksperimental menggunakan ujian-t dan ANOVA,
regresi dan regresi berganda. Bagaimanapun, terdapat juga penyelidik kuantitatif
yang gunakan cara yang lain, misalnya statistik korelasi, analisis factor dan
sebagainya. Oleh itu, penyelidik harus memberi perhatian sekiranya ujian yang
memerlukan penggunaan pembolehubah independen dan dependen semasa
menentukan kedudukan dan sebab dan akibat mereka masing-masing. Di samping
itu, penyelidik harus membuat keputusan dengan tepat sama ada hubungan mereka
adalah linear atau bukan linear, dan memilih ujian statistik bukan satu tetapi lain yang
juga sesuai, misalnya korelasi dan ANOVA, untuk mengkaji interaksi di antara dua
pembolehubah, iaitu pembolehubah independen dan dependen. Statistik inferential
adalah digunakan untuk membuat inferensi, ramalan, dan statistik yang biasanya
digunakan untuk analisis data. Korelasi juga biasanya digunakan untuk analisis data
bagi membuat inferensi, ramalan dan statistik. Ianya berkait rapat dengan statistik
inferential yang mana prosedur penggunaan statistik tersebut adalah untuk analisis
data, khasnya ujian hipotesis.
Dengan cara yang sama, koefisyen korelasi r berdasarkan data dalam Jadual
11.3(b) ialah -1, iaitu korelasi linear negatif yang sempurna mempunyai koefisyen
korelasi r = -1.
Di dalam realiti, kita jarang dapat koefisyen korelasi yang ekstrim seperti r = 1
atau r = -1. lazimnya, koefisyen korelasi di antara dua pembolehubah adalah terletak
di antara r = 1 dan r = -1, iaitu -1< r <1.
Gambarajah Sebaran
Salah satu cara untuk menggambarkan bentuk hubungan di antara data-data dua
pembolehubah ialah dengan melukiskan gambar rajah sebaran (atau serakan) . Di
dalam gambar rajah sebaran kita lukiskan pembolehubah tidak bersandar pada paksi
x dan pembolehubah bersandar pada paksi y.
Contoh 1.1
Jadual berikut menunjukkan jumlah markah Statistiks dan Matematik bagi pelajar-
pelajar Kursus Diploma Perniagaan di sebuah Kolej. Lukiskan gambar rajah sebaran
bagi data tersebut.
Pelajar 1 2 3 4 5 6 7 8 9 10
Statistik (x) 2 25 37 43 45 56 70 75 8 90
0 0
Matematik (y) 1 20 30 35 30 43 50 60 7 78
5 0
Daripada Rajah 1.1 kita dapat perhatikan bahawa wujud hubungan linear positif
antara markah Statistik dan markah Matematik. Hubungan linear positif disebut
korelasi positif. Kesimpulannya pelajar yang cemerlang dalam statistik juga didapati
cemerlang dalam matematik dan sebaliknya.
90
80
70
60
50
40
30
20
10
0
0 10 20 30 40 50 60 70 80 90 100
Statistik
Jenis-jenis Korelasi
Korelasi linear adalah satu hubungan linear untuk kumpulan data-data. Jika pemboleh
ubah x berubah dan pembolehubah yang mempunyai satu perubahan yang tetap, maka
x dan y mempunyai satu korelasi linear. Titik data terserak pada satu garis lurus.
Gambarajah terserak adalah seperti berikut :
x x x x x
x x x x x
x x x x x
x
x x
x x
x x x
xx x x
x x
xx x
x x x
x x x
x x x
x x x
g) Tiada Korelasi h) Korelasi Sempurna
x
x x
x x x
x x x
xx x
xx x
xx x
Koefisien Korelasi
Gambarajah serakan atau sebaran dapat memberi satu gambaran yang jelas mengenai
data-data serta jenis korelasi linear yang wujud diantara 2 pembolehubah tetapi tidak
dapat menyukat kekuatan korelasi linear. Terdapat dua rumus yang digunakan untuk
mengira nilai koefisien korelasi.
nΣ xy − (Σ x)(Σ y )
r=
[ nΣ x − (Σ x) ][ nΣ y − (Σ y) ]
2 2
6Σd 2
r = 1-
n(n − 1)
2
Kedua-dua rumus ini memberi keputusan yang hampir sama. Nilai-nilai koefisien
korelasi berada diantara –1.0 dan 1.0 . Jika nilai yang diperolehi menghampiri –
1.0, ini menunjukkan dua pembolehubah tersebut mempunyai hubungan negatif yang
kuat. Jika nilai yang didapati menghampiri 1.0, ini menunjukkan dua pembolehubah
tersebut mempunyai hubungan positif yang kuat. Jika nilai koefisien korelasi
menghampiri 0, ini menunjukkan yang dua pembolehubah tersebut tidak mempunyai
hubungan di antara satu sama lain. Hubungan negatif di antara dua pembolehubah
dikatakan wujud dalam keadaan berikut. Jika nilai pembolehubah tidak bersandar (x)
meningkat, nilai pembolehubah bersandar (y) akan menurun dan sebaliknya.
Contohnya hubungan di antara kadar faedah pinjaman untuk pembelian kereta dengan
jumlah jualan kereta. Jika kadar faedah pinjaman dinaikkan maka ramai pengguna
mungkin tidak mampu meminjam dan implikasinya ialah jumlah bilangan kereta yang
dijual akan menurun. Begitulah sebaliknya.
Kaedah ini digunakan untuk mengira hubungan atau pertalian untuk data-data yang
berbentuk kuantitatif sahaja. Kaedah ini juga sesuai jika data yang dikumpul tidak
mempunyai nilai-nilai yang melampau, iaitu data yang tidak mempunyai perbezaan
nilai yang terlalu besar di antara satu sama lain.