P. 1
Uji Gamma Dan Sommers

Uji Gamma Dan Sommers

|Views: 1,536|Likes:
Published by Rikesia Eldria Yezi

More info:

Published by: Rikesia Eldria Yezi on Oct 01, 2010
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/01/2013

pdf

text

original

Jurnal Gradien Vol.4 No.

2 Juli 2008 : 372-381
Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ),
Kendall-Tau (τ), Gamma (G) , dan Somers ) (
yx
d

Sigit Nugroho, Syahrul Akbar, dan Resi Vusvitasari

Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Bengkulu, Indonesia

Diterima 12 Mei 2008; Disetujui 20 Juni 2008

Abstrak - Penelitian ini bertujuan mengkaji tentang hubungan koefisien korelasi Pearson (r), Spearman-rho (ρ), Kendall-tau
(τ), Gamma (G) dan Somers ) (
yx
d serta mempelajari penggunaan dari masing-masing koefisien korelasi untuk skala ordinal.
Metode yang digunakan dalam penulisan ini adalah studi literatur dan data yang digunakan adalah data simulasi yang dibuat
menggunakan program komputer Microsoft EXCEL. Data simulasi terdiri dari dua, yaitu data tidak normal (seragam) dan
data normal yang dibangkitkan dari data seragam. Hasil penelitian menunjukkan bahwa untuk data seragam, koefisien
korelasi yang diberikan oleh koefisien korelasi Spearman-rho (ρ) dan Kendall-tau (τ) lebih besar dibandingkan dengan
Koefisien korelasi Pearson (r). Dan untuk data normal, koefisien korelasi yang diberikan oleh koefisien korelasi Pearson (r)
lebih besar dibandingkan koefisien korelasi Spearman-rho (ρ) dan Kendall-tau (τ). Ini membuktikan bahwa koefisien korelasi
Pearson sesuai digunakan untuk data yang berdistribusi normal, sedangkan koefisien korelasi Spearman-rho (ρ) dan
Kendall-tau (τ) digunakan untuk data yang tidak normal. Penelitian juga menunjukan adanya hubungan yang linier antara
koefisien korelasi Gamma dan Somers.

Kata Kunci : Korelasi, Ukuran Asosiasi, Tabel Kontingensi, Statistika Nonparametrik.

1. Pendahuluan

Kekuatan dan sifat ketergantungan antar variabel
merupakan masalah sentral yang ingin diketahui pada
suatu penelitian. Kadang peneliti ingin mengetahui apakah
terdapat hubungan antara dua variabel dan seberapa kuat
hubungan kedua variabel tersebut. Uji statistika yang
mengukur keeratan hubungan antara dua variabel ini
disebut analisis korelasi (correlation). Ukuran untuk
menentukan kuatnya atau derajat keeratan hubungan antar
dua variabel dinamakan koefisien korelasi (the correlation
coefficient).

Dalam statistika parametrik, koefisien korelasi antara dua
variabel (bivariate) yang biasa digunakan adalah koefisien
korelasi momen hasil kali Pearson, yang dinotasikan
dengan r. Dimana skala data pengamatan serendah-
rendahnya adalah interval atau rasio. Jika data pengamatan
adalah berupa skala ordinal, dalam hal ini untuk uji
korelasi statistika nonparametrik, maka ada beberapa
koefisien korelasi yang dapat digunakan, yaitu koefisien
korelasi peringkat Spearman-rho (ρ), Kendall-tau (τ),
Gamma (G), dan Somers
) (
yx
d
. Dari keempat koefisien
korelasi ini banyak peneliti yang mungkin ingin tahu
kapan harus menggunakan koefisien korelasi peringkat
Spearman-rho (ρ), Kendall-tau (τ), Gamma (G), dan
Somers
) (
yx
d
dalam suatu penelitian. Untuk mengetahui
penggunaan dari masing-masing koefisien korelasi untuk
data berskala ordinal di atas, maka perlu dipelajari tentang
sifat-sifat dari keempat koefisien korelasi ini. Sehingga
nantinya para peneliti dapat mengetahui dan benar-benar
tepat dalam memilih koefisien korelasi mana yang akan
digunakan dalam penelitian.

Tujuan dari penulisan artikel ini adalah untuk mengkaji
tentang hubungan koefisien korelasi momen hasil kali
Pearson (r), Spearman-rho (ρ), Kendall-tau (τ), Gamma
(G) dan Somers ) (
yx
d serta mempelajari penggunaan dari
koefisien korelasi peringkat Spearman-rho (ρ), Kendall-
tau (τ), koefisien korelasi Gamma (G), dan Somers ) (
yx
d
dalam suatu penelitian. Kemudian akan diberikan contoh
kasus yang terkait dengan pembahasan.

Pengantar Teori Statistika Nonparametrik

Peneliti sering kali mengalami kesulitan untuk
memperoleh data kontinu pada penelitian yang mengikuti
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 373
distribusi normal. Hal ini salah satunya karena jumlah data
sampel yang didapat tidak cukup banyak sehingga tidak
memenuhi distribusi normal. Selain itu, banyak
pengukuran data dilakukan secara kualitatif dan data
dalam penelitian yang diperoleh sering berupa kategori
yang hanya dapat dihitung frekuensinya atau berupa data
yang hanya dapat dibedakan berdasarkan tingkatan atau
rankingnya.

Menghadapi kasus data kategorikal (nominal) atau data
ordinal seperti itu, jelas peneliti tidak mungkin
mempergunakan metode statistika parametrik. Karena
apabila asumsi-asumsi tidak dapat terpenuhi, akan
menghasilkan suatu kesimpulan yang tidak valid.
Kesulitan-kesulitan dalam data tetap harus diatasi supaya
analisis data bisa dilakukan dan menghasilkan suatu
kesimpulan yang valid. Sebagai gantinya diciptakan oleh
pakar metode statistika alternatif yang sesuai yaitu metode
statistika nonparametrik sebagai pelengkap statistika
parametrik.

Metode statistika nonparametrik merupakan suatu metode
analisis data tanpa memperhatikan bentuk distribusinya
sehingga statistika ini sering juga disebut metode bebas
sebaran (distribution free methods), karena model uji
statistikanya tidak menetapkan syarat-syarat tertentu
tentang bentuk distribusi parameter populasinya. Artinya
bahwa metode statistika nonparametrik ini tidak
menetapkan syarat bahwa observasi-observasinya harus
ditarik dari populasi yang berdistribusi normal dan tidak
menetapkan syarat homoskedastisitas (homoscedasticity).

Selain tidak menetapkan syarat mengenai distribusi
populasinya, statistika nonparametrik juga tidak
menetapkan syarat-syarat mengenai parameter-parameter
populasi yang merupakan induk sampel penelitiannya.

Suatu metode statistika dapat dikatakan nonparametrik
apabila memenuhi paling sedikit satu kriteria dibawah ini :
1. Metode ini digunakan untuk data pengamatan dengan
skala nominal
2. Metode ini digunakan untuk data pengamatan dengan
skala ordinal
3. Metode ini digunakan untuk data pengamatan dengan
skala interval atau rasio, dimana distribusi populasinya
tidak diketahui.

Pemilihan macam uji statistika nonparametrik mana yang
paling sesuai didasarkan pada beberapa kriteria. Pertama
didasarkan pada skala pengukuran variabel
penelitiannya, baik itu skala nominal, ordinal, atau skala
interval/rasio. Pada dasarnya uji yang sesuai bagi variabel
dengan skala nominal atau ordinal adalah uji statistika
nonparametrik, namun terdapat juga uji statistika
nonparametrik yang berlaku pada variabel yang berskala
interval. Kedua, pemilihan uji statistika nonparametrik
didasarkan pada banyaknya sampel penelitian, apakah
berupa sampel tunggal, dua sampel berpasangan atau dua
sampel independen, atau sampelnya lebih dari dua buah
yang berpasangan atau yang independen. Ketiga,
pemilihan uji nonparametrik didasarkan pada jenis
penelitiannya, apakah berupa uji kesesuaian (goodness-of-
fit), uji banding, uji independensi, atau apakah berupa uji
keterikatan ( korelasi ) antara dua kumpulan atribut atau
dua kumpulan skor. Contoh uji statistika nonparametrik
diantaranya adalah uji binomial, uji median, uji tanda, uji
Kolmogorov-Smirnov, uji korelasi peringkat, uji Wilcoxon-
Mann-Whitney, uji Friedman dan lain sebagainya.

2. Analisis Korelasi Statistika Nonparametrik

Analisis korelasi merupakan uji statistika yang mengukur
keeratan hubungan antara dua variabel. Keeratan
hubungan antara dua variabel dapat diukur kekuatannya.
Indeks yang mengukur keeratan hubungan dua variabel
disebut koefisien korelasi. Nilai koefisien korelasi paling
(r) dapat dinyatakan sebagai berikut :
1 1 ≤ ≤ − r (1)
r = 1, hubungan X dan Y sempurna dan positif (mendekati
1, yaitu hubungan sangat kuat dan positif).
r = -1,hubungan X dan Y sempurna dan negatif (mendekati
-1, yaitu hubungan sangat kuat dan negatif).
r = 0, hubungan X dan Y lemah sekali atau tidak ada
hubungan.

Sama halnya dengan statistika parametrik, analisis korelasi
pada statistika nonparametrik juga mempelajari apakah
ada hubungan antar dua variabel. Hanya pada korelasi
nonparametrik, data atau variabel yang akan diuji dan
diukur korelasinya adalah data nominal atau ordinal.
Sebagai contoh, apakah motivasi seseorang mempengaruhi
kepuasan bekerja orang tersebut. Di sini variabel motivasi
ataupun kepuasan kerja adalah data ordinal, karena tidak
mungkin motivasi dan kepuasan diukur seperti
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 374
pengukuran tinggi badan atau berat badan yang secara riil
dapat dilihat.

Dalam statistika parametrik, Koefisien korelasi yang
dikenal luas dan paling sering digunakan adalah koefisien
korelasi momen hasil kali Pearson yang dinotasikan
dengan r, dimana rumus r adalah sebagai berikut:
( )( )
( ) ( )
2
1
2 2

|
|
¹
|

\
|

|
|
¹
|

\
|

− −
=
∑ ∑

Y Y X X
Y Y X X
r
(2)
dengan X dan Y adalah variabel-variabel yang diamati dan
banyaknya sampel pengamatan. Perhitungan dalam teknik
korelasi ini mensyaratkan bahwa populasi asal sampel
mempunyai dua varian (bivariat) dan berdistribusi normal.
Selain itu teknik korelasi ini dalam aplikasinya digunakan
untuk mengukur korelasi data dengan skala pengukuran
interval atau rasio. Sedangkan dalam statistika
nonparametrik, untuk kasus pengukuran analisis korelasi
antara dua kumpulan skor dapat digolongkan berdasarkan
pada skala pengukuran variabel penelitiannya (skala
nominal, ordinal, atau interval-rasio). Adapun
penggolongan uji korelasi itu adalah sebagai berikut:

Gambar 1. Pembagian Korelasi

Dari bagan di atas, dapat dilihat bahwa koefisien korelasi
nonparametrik untuk jenis data dengan skala pengukuran
ordinal, terdapat empat macam koefisien korelasi yang
dapat digunakan, yaitu koefisien korelasi peringkat
Spearman-rho yang dinotasikan dengan ρ, koefisien
korelasi Kendall-tau yang dinotasikan dengan τ, koefisien
korelasi Somers yang dinotasikan dengan
yx
d , dan
koefisien korelasi Gamma yang dinotasikan dengan G.
Keempat koefisien korelasi ini didasarkan pada ranking.
Hanya saja antara koefisien korelasi peringkat Spearman-
rho dengan koefisien korelasi Kendall-tau, Gamma, dan
Somers ada sedikit perbedaan. Dimana untuk koefisien
korelasi peringkat Spearman-rho memperhitungkan
besarnya perbedaan rank pasangan nilai pengamatan
) , (
i i
Y X
, sedangkan untuk koefisien korelasi Kendall-tau,
koefisien korelasi Somers, dan koefisien korelasi Gamma
hanya memperhitungkan kekuatan asosiasi berdasarkan
arah pasangan nilai pengamatan
) , (
i i
Y X
dan tidak
memperhitungkan besarnya perbedaan pasangan nilai
pengamatan ) , (
i i
Y X seperti pada koefisien korelasi
peringkat Spearman-rho atau dengan kata lain koefisien
korelasi Kendall-tau, koefisien korelasi Somers, dan
koefisien korelasi Gamma didasarkan pada konsep
pasangan concordant (C) dan discordant (D).

Untuk mengetahui keeratan hubungan antara dua variabel,
tidak hanya dilihat dari besarnya nilai koefisien korelasi
antara dua variabel yang diberikan. Akan tetapi perlu juga
dilakukan uji signifikansi, dalam hal ini pengujian
hipotesis dari kedua variabel tersebut.

Hipotesis-hipotesis
Uji dua arah
H
0
: X
i
dan Y
i
saling bebas
H
1
: X
i
dan Y
i
dependen (hubungan positif atau
negatif) .
Uji satu arah (Positif)
H
0
: X
i
dan Y
i
saling bebas
H
1
: X
i
dan Y
i
dependen (hubungan positif) .
Uji satu arah (Negatif)
H
0
: X
i
dan Y
i
saling bebas
H
1
: X
i
dan Y
i
dependen (hubungan negatif) .

a. Koefisien Korelasi Nonparametrik Untuk Skala
Ordinal

Koefisien korelasi merupakan ukuran yang menyatakan
keeratan hubungan antara dua variabel. Koefisien korelasi
bivariat yang paling lama dan banyak digunakan adalah
korelasi yang dikembangkan oleh Karl Pearson.
Perhitungan dalam korelasi ini didasarkan pada data
sebenarnya (variabel asli). Secara statistik, koefisien
korelasi momen hasil kali Pearson atau sering disingkat
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 375
dengan koefisien korelasi Pearson yang dinotasikan
dengan r dirumuskan sebagai berikut:
( )( )
( ) ( )
2
1
1
2
1
2
1
1 1
1

|
|
¹
|

\
|

|
|
¹
|

\
|

− −
=
∑ ∑

= =
=
n
i
i
n
i
i
n
i
i i
Y Y
n
X X
n
Y Y X X
n
r
(3)

Dalam aplikasinya koefisien korelasi ini digunakan untuk
mengukur keeratan hubungan di antara hasil-hasil
pengamatan dari populasi yang mempunyai dua varian
(bivariat). Perhitungan dalam tekhnik korelasi ini
mensyaratkan bahwa populasi asal sampel mempunyai dua
varian dan berdistribusi normal. Selain itu teknik korelasi
ini dalam aplikasinya digunakan untuk mengukur korelasi
data interval atau rasio.

i. Koefisien korelasi peringkat Spearman - rho ( ρ )

Ukuran korelasi nonparametrik yang analog dengan
koefisien korelasi Pearson (r) adalah koefisien korelasi
yang dikembangkan oleh Charles Spearman (1908) yaitu
koefisien korelasi peringkat Spearman. Statistik ini kadang
disebut dengan Spearman- rho, dan dinotasikan dengan ρ.
Jika pada koefisien korelasi Pearson (r) digunakan untuk
mengetahui korelasi data kuantitatif (skala interval dan
rasio), maka pada koefisien korelasi peringkat Spearman-
rho digunakan untuk pengukuran korelasi pada statistik
nonparametrik (skala ordinal). Ini merupakan ukuran
korelasi yang menuntut kedua variabel diukur sekurang-
kurangnya dalam skala ordinal sehingga obyek-obyek
penelitiannya dapat diranking dalam dua rangkaian
berurut.

Misal data terdiri dari sampel acak bivariat berukuran n,
yaitu ) , ( , ), , ( ), , (
2 2 1 1 n n
Y X Y X Y X K . Misalkan ) (
i
X R adalah
rank dari
i
X dibandingkan dengan nilai X lainnya, untuk
n i , , 2 , 1 K = . 1 ) ( =
i
X R jika
i
X
adalah nilai X terkecil dari
n
X X X , , ,
2 1
K , 2 ) ( =
i
X R jika
i
X adalah nilai X terkecil
kedua, dan seterusnya dengan rank n ditandai sebagai
nilai
i
X
terbesar. Begitu juga untuk ) (
i
Y R . Jika di antara
nilai X
i
atau di antara nilai Y
i
terdapat angka sama, maka
masing-masing nilai yang sama diberi peringkat rata-rata
dari posisi-posisi yang seharusnya.

Rumus koefisien korelasi peringkat Spearman- rho
merupakan turunan rumus koefisien korelasi Pearson,
yaitu
( )( )
( ) ( )
2
1
2 2

− −
− −
=
∑ ∑

Y Y X X
Y Y X X
r
i i
i i
(4)
dimana untuk koefisien korelasi peringkat Spearman-rho
(ρ), variabel asli diganti dengan rank-ranknya, maka X
i
diganti dengan R(X
i
) dan Y
i
diganti dengan R(Y
i
). Sehingga
rumus koefisien korelasi peringkat Spearman-rho ( ρ )
adalah
[ ][ ]
( ) ( )
12
) 1 (
2
1
) (
2
1
) (
12
) 1 (
12
) 1 (
2
1
) (
2
1
) (
) ( ) ( ) ( ) (
) ( ) ( ) ( ) (
2
1
2
1
2 2
1
2
1
1 1
2 2
1

+

+

=
|
|
¹
|

\
|


+

+

=

− −
− −
=


∑ ∑

=
=
= =
=
n n
n
Y R
n
X R
n n n n
n
Y R
n
X R
Y R Y R X R X R
Y R Y R X R X R
n
i
i i
n
i
i i
n
i
n
i
i i
n
i
i i
ρ
(5)
untuk mempermudah perhitungan, maka persamaan diatas
dapat disederhanakan sebagai berikut
[ ]
) 1 (
6
1
) 1 (
) ( ) ( 6
1
2 2
1
2

− =


− =

=
n n
T
n n
Y R X R
n
i
i i
ρ
(6)
dimana
[ ]
∑ ∑
= =
− =
n
i
i i
n
i
i
Y R X R d
1
2
1
2
) ( ) (
, yaitu jumlah
kuadrat dari selisih-selisih antara rank-rank
i i
Y dan X

untuk masing-masing pengamatan.

Langkah-langkah untuk menghitung koefisien korelasi
Spearman-rho (ρ) adalah sebagai berikut :
• Berilah peringkat untuk masing-masing pengamatan X
mulai dari 1 hingga n, juga untuk pengamatan Y beri
peringkat mulai dari 1 sampai n.
• Tentukan harga

=
n
i
i
d
1
2
, yaitu jumlah kuadrat dari
selisih-selisih antara rank-rank
i i
Y dan X
untuk masing-
masing pengamatan.
• Gunakan persamaan 6 untuk menghitung ρ.



Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 376
ii. Koefisien korelasi Kendall - Tau ( τ )

Koefisien korelasi yang kedua yang biasa digunakan untuk
mengukur kekuatan korelasi untuk data penelitian dengan
skala pengukuran ordinal adalah koefisien korelasi yang
dikenalkan oleh M.G. Kendall (1938) yaitu koefisien
korelasi Kendall-tau yang dinotasikan dengan τ. Koefisien
korelasi ini memiliki sifat yang sama dengan koefisien
korelasi peringkat Spearman-rho, tetapi berbeda dasar
logikanya. Jika untuk koefisien korelasi peringkat
Sperman-rho didasarkan pada peringkat (rank), dimana
baik variabel X dan variabel Y masing-masing kita
ranking. Sedangkan untuk koefisien korelasi Kendall-tau
salah satu variabelnya yang diberi peringkat (diurutkan),
yaitu variabel X saja atau variabel Y saja dalam hal ini
biasanya adalah variabel X. Sedangkan variabel Y akan
dilihat apakah nilai variabel Y itu searah (konkordan) atau
berlawanan arah (diskordan) dengan variabel X yang
sudah diurutkan.

Jika ada data bivariat n i Y X
i i
,..., 2 , 1 ), , ( = dimana X dan Y
sekurang-kurangnya berskala ordinal. Maka untuk setiap
pasangan nilai observasi ) , (
i i
Y X dan
) , (
j j
Y X
untuk
j i ≠

dapat didefinisikan pasangan nilai sebagai berikut :
i). Pasangan
) , (
i i
Y X
dan
) , (
j j
Y X
konkordan, jika
0 ) )( ( > − −
j i j i
Y Y X X
artinya adalah jika
j i
X X >
maka
j i
Y Y > atau jika
j i
X X <
maka
j i
Y Y <
sehingga ) ( X X − dan ) ( Y Y − memiliki tanda yang
sama, yaitu sama-sama positif atau sama-sama negatif
dengan hasil kali yang selalu positif.
ii) Pasangan ) , (
i i
Y X dan
) , (
j j
Y X
diskordan, jika
0 ) )( ( < − −
j i j i
Y Y X X
artinya adalah jika
j i
X X >
maka
j i
Y Y < atau jika
j i
X X <
maka
j i
Y Y >

sehingga
) ( X X −
dan ) ( Y Y − memiliki tanda yang
berlawanan dengan hasil kali yang selalu negatif.

Secara keseluruhan, untuk n pengamatan ada sebanyak
2
) 1 (
2

=
|
|
¹
|

\
| n n n pasangan yang mungkin. Jika ada
sebanyak C pasangan yang searah (konkordan) dan D
pasangan yang berlawanan arah (diskordan), maka
Kendall-tau dapat dihitung sebagai berikut:
) 1 (
2
1


=
n n
D C
τ
(7)
Langkah-langkah untuk menghitung koefisien korelasi
Kendall-tau (τ) adalah sebagai berikut :
• Susunlah pasangan-pasangan (X
i
,Y
i
) dalam sebuah
kolom menurut besarnya nilai-nilai pengamatan X, dari
nilai pengamatan X yang paling kecil. Disini dapat
dikatakan bahwa nilai-nilai X berada dalam urutan yang
wajar (natural order).
• Perbandingkan setiap nilai pengamatan Y satu demi satu
dengan setiap nilai Y yang ada di sebelah bawahnya.
Jika nilai Y yang di bawah lebih besar dari Y yang di
atasnya, maka arah nilai pengamatannya sama
(konkordan). Dan jika nilai Y yang di bawah lebih kecil
dari Y yang di atasnya, maka arah nilai pengamatannya
berlawanan (diskordan).
• Tetapkan C sebagai banyaknya pasangan konkordan
dan D banyaknya pasangan diskordan.
• gunakan persamaan [7] untuk menghitung τ.

iii. Koefisien korelasi Gamma ( G)

Sebelumnya sudah dibahas dua koefisien korelasi untuk
dua variabel dengan skala pengukuran ordinal, yaitu
Spearman-rho dan Kendall-tau. Akan tetapi, jika data
pasangan pengamatan banyak mengandung angka sama
atau ada situasi dimana data pengamatan ditampilkan
dalam bentuk tabel kontingensi, maka penggunaan
koefisien korelasi Spearman-rho dan Kendall-tau akan
kurang efektif. Dengan demikian untuk data pasangan
pengamatan yang keduanya bertipe ordinal dan
ditampilkan dalam bentuk tabel kontingensi, koefisien
korelasi yang dapat digunakan adalah koefisien korelasi
Gamma (G) dan koefisien korelasi Somers ) (
yx
d .

Koefisien korelasi yang ketiga yang dapat digunakan
untuk mengukur korelasi untuk data penelitian dengan
skala pengukuran ordinal adalah koefisien korelasi
Gamma, yang dinotasikan dengan G. Koefisien korelasi
ini dikenalkan oleh Goodman dan Kruskal (1954).
Koefisien korelasi ini memiliki dasar logika yang sama
dengan koefisien korelasi Kendall-tau, yaitu didasarkan
pada banyaknya pasangan konkordan (C) dan pasangan
diskordan (D).

Misalkan ada dua pengamatan bivariat X dan Y, dimana
keduanya merupakan variabel terurut. Pengamatan X
i

terdiri dari
k
X X X , , ,
2 1
K , k i , , 2 , 1 K = dimana
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 377
k
X X X < < < L
2 1
. Begitu juga dengan pengamatan Y
j

terdiri dari
r
Y Y Y , , ,
2 1
K , r j , , 2 , 1 K = dimana
r
Y Y Y < < < L
2 1
.

Untuk menghitung statistik G dari dua pasangan
pengamatan untuk data ordinal,
k
X X X , , ,
2 1
K dan
r
Y Y Y , , ,
2 1
K yang disusun dalam tabel kontingensi seperti
dibawah ini,

Tabel 1. Tabel Kontingensi Data Kategorik Peringkat.
X
1
X
2
… X
k
Total
Y
1
Y
2

.
.
.
Y
r

n
11
n
21
.
.
.
n
r1
n
12
n
22

.
.
.

n
r2







n
1k
n
2k

.
.
.
n
rk
R
1
R
2

.
.
.
R
r
Total C
1
C
2


C
k
N

maka statistik G didefinisikan sebagai berikut,
D C
D C
G
+

=
(9)
dimana

+
=
j i
ij ij
N n C
.
dengan 1 , , 2 , 1 − = r i K dan
1 , , 2 , 1 − = k j K
,


=
j i
ij ij
N n D
.
dengan 1 , , 2 , 1 − = r i K dan
k j , , 2 , 1 K =
+
ij
N dan

ij
N didefinisikan sebagai berikut:
∑ ∑
+ = + =
+
=
j
i p
k
j q
pq ij
n N
1 1
dan
∑ ∑
+ =

=

=
j
i p
k
q
pq ij
n N
1
1
1
(10)
Langkah-langkah menghitung koefisien korelasi Gamma
(G) adalah sebagai berikut:
• Hitung banyaknya pasangan konkordan dan diskordan
dari tabel kontingensi yang diberikan. Dimana untuk
menghitung banyaknya pasangan konkordan dapat
digunakan persamaan 9 dan untuk menghitung
banyaknya pasangan diskordan gunakan persamaan 10.
• Setelah banyaknya pasangan konkondan (C) dan
diskordan (D) sudah diketahui, substitusikan C dan D ke
persamaan 8.

iv. Koefisien korelasi Somers ) (
yx
d

Koefisien korelasi yang dapat digunakan untuk mengukur
kekuatan korelasi untuk data penelitian dimana kedua
variabel berskala ordinal dan data ditampilkan dalam
bentuk tabel kontingensi selain koefisien korelasi Gamma
(G) adalah koefisien korelasi Somers, yang dinotasikan
dengan ) (
yx
d . Koefisien korelasi ini dikenalkan oleh
Somers (1962). Koefisien korelasi ini juga memiliki dasar
logika yang sama dengan koefisien korelasi Kendall-tau
dan Gamma, yaitu didasarkan pada banyaknya pasangan
konkordan (C) dan pasangan diskordan (D).
Untuk menghitung statistik ) (
yx
d dari dua buah
pengamatan terurut X dan Y, yaitu
k
X X X , , ,
2 1
K dan
r
Y Y Y , , ,
2 1
K .
Statistik ) (
yx
d didefinisikan sebagai berikut :

=


=
k
i
i
yx
C N
D C
d
1
2 2
) ( 2
(11)
N adalah banyaknya pengamatan dan C
i
merupakan
frekuensi marginal dari nilai pengamatan X. Statistik
) (
yx
d menyatakan selisih proporsi pasangan konkordan
dan diskordan diantara pasangan dengan nilai pasangan
pengamatan yang berangka sama untuk variabel X.

Langkah-langkah menghitung koefisien korelasi Somers
) (
yx
d adalah sebagai berikut:
• Dengan cara yang sama seperti koefisien korelasi
Gamma (G), hitung banyaknya pasangan konkordan dan
diskordan dari tabel kontingensi yang diberikan
menggunakan persamaan 9 dan 10.
• Selanjutnya hitung jumlah kuadrat dari banyaknya
frekuensi dalam tiap baris di setiap kolomnya.
• Kemudian substitusikan ke persamaan 11.

b. Hubungan antara Gamma (G) dan Somers ) (
yx
d

Dari informasi yang diberikan, diketahui bahwa rumus
koefisien korelasi Gamma (G) adalah sebagai berikut :
D C
D C
G
+

=

dan koefisien korelasi Somers ) (
yx
d adalah sebagai
berikut :
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 378

=


=
k
i
i
yx
C N
D C
d
1
2 2
) ( 2

sehingga hubungan antara Gamma (G) dan Somers
) (
yx
d adalah
) ( 2
) ( 2
1
2 2
1
2 2
D C
C N
C N
D C
D C
D C
d
G
k
i
i
k
i
i
yx
+

=


+

=


=
=

dengan demikian
yx
k
i
i
d
D C
C N
G
|
|
|
|
|
|
¹
|

\
|
+

=

=
) ( 2
1
2 2
(12)
atau
G
C N
D C
d
k
i
i
yx
|
|
|
|
|
¹
|

\
|

+
=

=1
2 2
) ( 2
(13)
untuk data yang sama, dalam perhitungan G dan ) (
yx
d
nilai

=

+
k
i
i
C N
D C
1
2 2
) ( 2
konstan.

3. Teladan Penerapan

Sebagai ilustrasi, data yang digunakan untuk perhitungan
koefisien korelasi nonparametrik untuk skala ordinal
adalah data simulasi. Simulasi data ini merupakan dua
buah data berpasangan (X,Y). Data simulasi terdiri dari dua
jenis, yaitu data tidak normal (seragam) dan data normal.
Dimana simulasi data dibuat menggunakan program
komputer Microsoft EXCEL.

1. Perhitungan Koefisien Korelasi Pearson, Spearman -
rho,dan Kendall-tau

Perhitungan koefisien korelasi Pearson, koefisien korelasi
Spearman-rho, dan koefisien korelasi Kendall-tau (τ), data
simulasi yang digunakan itu sama. Data sebanyak 100
sampel, dimana setiap sampel terdiri dari 12 pengamatan.
Data simulasi di sini ada dua macam, yang pertama data
simulasi dengan sebaran seragam. Kemudian data tadi
dibangkitkan sehingga datanya berdistribusi normal. Salah
satu contoh sampelnya adalah sebagai berikut:


Tabel 2. Simulasi Data Seragam
Simulasi Data
X Y
1 48 1
2 55 2
3 48 3
4 7 4
5 17 5
6 84 6
7 87 7
8 22 8
9 45 9
10 56 10
11 74 11
12 34 12

Tabel 3. Simulasi Data Normal
Simulasi Data
X Y
1 -10 11
2 -2 -6
3 4 -17
4 3 -16
5 3 0
6 -4 7
7 -2 -2
8 -13 9
9 2 -2
10 -4 -3
11 0 8
12 -5 2

Setelah simulasi data untuk masing-masing sampel dibuat,
maka langkah selanjutnya adalah menghitung masing-
masing koefisien korelasi Pearson, Spearman-rho, dan
Kendall-tau (τ) untuk masing-masing sampel baik itu data
seragam maupun data normal. Dengan demikian dapat
diperoleh secara keseluruhan nilai koefisien korelasi
Pearson, Spearman-rho, dan Kendall-tau untuk 100
sampel baik untuk data seragam maupun data normal telah
dilakukan.

Dari 100 sampel yang dibangkitkan dari distribusi
seragam, kebanyakan nilai-nilai koefisien korelasi yang
diberikan oleh koefisien korelasi Spearman-rho dan
Kendall-tau cenderung lebih besar dibandingkan dengan
koefisien korelasi Pearson. Ini sesuai dengan yang
diharapkan, karena data pengamatan merupakan sampel
acak dengan distribusi seragam dan koefisien korelasi
yang baik digunakan untuk menghitung data semacam itu
adalah koefisien korelasi Spearman-rho dan Kendall-tau
dimana data pengamatannya tidak berdistribusi normal.
Sedangkan koefisien korelasi Pearson digunakan untuk
menghitung koefisien korelasi dimana data
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 379
pengamatannya berdistribusi normal, sehingga untuk data
seragam nilai koefisien korelasi Pearson yang diberikan
lebih kecil.

Sebaliknya, dari 100 sampel yang dibangkitkan dari
distribusi normal, kebanyakan nilai-nilai koefisien korelasi
Pearson lebih besar dibandingkan dengan koefisien
korelasi Spearman-rho dan Kendall-tau. Ini sesuai dengan
yang diharapkan, karena koefisien korelasi Pearson
memang baik digunakan untuk data pengamatan yang
berdistribusi normal. Sedangkan koefisien korelasi
Spearman-rho dan Kendall-tau digunakan untuk data yang
tidak berdistribusi normal sehingga nilai koefsien yang
diberikan lebih kecil dibandingkan dengan koefisien
korelasi Pearson.

2. Perhitungan Koefisien Korelasi Gamma (G) dan
Somers ) (
yx
d

Untuk perhitungan koefisien korelasi Gamma (G) dan
Somers ) (
yx
d , data simulasi yang digunakan juga sama.
Data sebanyak 100 sampel, dimana setiap sampel terdiri
dari 1000 pengamatan. Data simulasi di sini juga dua
macam yaitu data seragam dan data normal. Karena
koefisien korelasi Gamma (G) dan Somers ) (
yx
d
merupakan suatu ukuran asosiasi dimana data
pengamatannya berupa data kategori peringkat dan
ditampilkan dalam bentuk tabel kontingensi sehingga data
dibangkitkan ke bentuk tabel kontingensi. Disini masing-
masing pengamatan X dan Y dibagi menjadi beberapa
kelas, dalam hal ini dibagi ke dalam beberapa kategori.
Berikut contoh simulasi data untuk salah satu sampel
dengan 1000 pengamatan untuk data simulasi dari data
seragam dan data normal.

Tabel 4. Data Simulasi Kategorik Seragam
X Y
1 0.84352 0.46344 4 2 42
2 0.45049 0.51671 2 2 22
3 0.66206 0.33482 3 1 31
4 0.65512 0.17671 3 0 30
5 0.55677 0.29441 2 1 21
6 0.03931 0.25021 0 1 1
7 0.55919 0.99774 2 4 24
8 0.54403 0.13505 2 0 20
9 0.17538 0.63256 0 3 3
10 0.20846 0.51695 1 2 12

1000 0.68083 0.61992 3 3 33
Tabel 5. Data Simulasi Kategorik Normal
X Y
1 17.45115 14.72188 1 1 11
2 31.07570 26.42992 3 2 32
3 32.10446 21.43789 3 2 32
4 35.45599 42.42763 3 4 34
5 38.26679 34.41158 3 3 33
6 29.08129 23.76656 2 2 22
7 29.15713 40.98426 2 4 24
8 42.04156 8.83054 4 0 40
9 33.67225 38.77020 3 3 33
10 27.38279 41.45445 2 4 24

1000 22.02840 44.96036 2 4 24

Dari tabel 4 dan 5 di atas untuk tiga kolom terakhir
merupakan alat bantu untuk membangkitkan data dari data
pengamatan X dan Y yang diberikan ke bentuk data
kategorik, dalam hal ini dibuat ke dalam bentuk tabel
kontingensi. Setelah melalui beberapa proses, maka data
pengamatan X dan Y di atas menghasilkan tabel
kontingensi sebagai berikut:

Tabel 6. Kontingensi Data Seragam
2 0 1
0 51 39 41 48 38 217
1 31 28 34 35 34 162
2 38 45 52 53 41 229
3 48 41 31 40 38 198
4 43 43 37 28 43 194
211 196 195 204 194 1000

Tabel 7. Kontingensi Data Seragam
0 1 2 3 4
0 0 1 10 6 3 20
1 2 18 53 52 21 146
2 6 47 115 110 48 326
3 11 45 125 115 41 337
4 2 15 47 50 13 127
21 126 350 333 126 956

Setelah tabel kontingensi dibuat, dapat dihitung nilai
koefisien korelasi Gamma (G) dan Somers ) (
yx
d . Baik
untuk data normal ataupun data seragam, kebanyakan nilai
koefisien korelasi Gamma (G) yang diberikan cenderung
lebih besar dibandingkan dengan koefisien korelasi
Somers ) (
yx
d . Ini disebabkan koefisien korelasi Gamma
tidak memperhatikan banyaknya data kembar, sedangkan
untuk koefisien korelasi Somers
) (
yx
d
banyaknya data
kembar untuk pengamatan X diperhatikan.
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 380
Baik untuk data seragam maupun data normal dari tabel
nilai-nilai koefisien korelasi Gamma (G) dan Somers ) (
yx
d
untuk 100 sampel, nilai slope (kemiringan garis) yang
diberikan berturut-turut sebesar 0.7882 dan 0.7021. Nilai
slope menunjukkan dua hal, yaitu arah hubungan dan
besarnya perubahan pada nilai-nilai koefisien korelasi
Gamma (G) yang terjadi sehubungan dengan perubahan
pada nilai-nilai koefisien korelasi Somers ) (
yx
d .

Arah hubungan dapat dilihat dari tanda aljabar (positif atau
negatif) pada nilai slope. Karena nilai slope bernilai
positif, ini menyatakan bahwa arah hubungan antara nilai-
nilai koefisien korelasi Gamma (G) dan Somers ) (
yx
d
adalah positif baik untuk data seragam ataupun data
normal. Dimana hubungan yang positif menunjukkan
bahwa kenaikan nilai koefisien korelasi Gamma (G)
diikuti oleh kenaikan pada nilai koefisien korelasi Somers
) (
yx
d dan sebaliknya penurunan nilai koefisien korelasi
Gamma (G) diikuti oleh penurunan pada nilai koefisien
korelasi Somers ) (
yx
d . Untuk melihat pola hubungan
antara nilai-nilai koefisien korelasi Gamma (G) dan
Somers ) (
yx
d baik untuk data seragam maupun data
normal dapat dilihat pada Gambar 2 dan Gambar 3.

Pola hubungan antara nilai-nilai koefisien korelasi Gamma
(G) dan Somers
) (
yx
d
baik untuk data seragam maupun
data normal yang terlihat pada Gambar 2 dan Gambar 3 di
atas adalah hubungan yang bersifat linier karena dapat
dihampiri oleh sebuah garis lurus. Sehingga hubungan
antara nilai-nilai koefisien korelasi Gamma (G) dan nilai-
nilai koefisien korelasi Somers
) (
yx
d
adalah linier.


Gambar 2. Hubungan linier antara Gamma dan Somers untuk
data seragam



Gambar 3. Hubungan linier antara Gamma dan Somers untuk
data normal

4. Kesimpulan

Koefisien korelasi yang dapat digunakan untuk skala data
ordinal adalah koefisien korelasi Spearman-rho (ρ),
Kendall-tau (τ), Gamma (G), dan Somers ) (
yx
d . Untuk
data yang tidak normal (data seragam), nilai koefisien
korelasi yang diberikan oleh koefisien korelasi Spearman-
rho dan Kendall- tau lebih besar dibandingkan dengan
koefisien korelasi Pearson. Sedangkan untuk data normal
nilai koefisien korelasi Pearson lebih besar dibandingkan
dengan koefisien korelasi Spearman- rho dan Kendall-
tau. Hal ini menunjukkan bahwa :
- Koefisien korelasi Pearson (r) baik digunakan jika data
pengamatan berdistribusi normal dan skala data
serendah-rendahnya adalah interval atau rasio.
- Koefisien korelasi Spearman-rho (ρ) dan Kendall-tau
(τ) baik digunakan untuk pasangan pengamatan yang
tidak berdistribusi normal.

Koefisien korelasi Gamma (G) dan Somers
) (
yx
d

digunakan untuk pasangan pengamatan dengan skala data
ordinal dalam bentuk kategorik peringkat (data
ditampilkan dalam bentuk tabel kontingensi) dan
Koefisien korelasi Gamma (G) dan Somers ) (
yx
d
menunjukkan hubungan yang linier.

Daftar Pustaka

[1] Agresti, 1984. Analysis of Ordinal Categorical Data. John
Wiley and Sons. New York.
[2] Anonim. 2003. Introduction to Exact Nonparametric
Inference. http://www.cytel.com/Products/ StatXact/ Intro_
Nonparametric_Inference.pdf
Sigit Nugroho / Jurnal Gradien Vol. 4 No. 2 Juli 2008 : 372-381 381
[3] Anonim. 2000. Correlation. http://www.blackwell
publishing. com/ content/BPL_Images/Content_store/Samp
le_chapter/9781405127806/Petrie%20sample%20Ch26.pdf
[4] Aryee, M. 2002. Measures of Association. http://academic.
shu.edu/eop/worksheets/exac2126/PRE--Measures%20of
%20Association--1203.doc
[5] Azizi.2005. Analisis Berstatistik Lanjutan. http://www.geo
cities.com/kheru2006/vii.htm
[6] Conover, W.J. 1971. Practical Nonparametric Statistics.
Wiley International Edition. John Wiley and Sons. New
York, NY.
[7] Daniel, W. 1989. Statistika Nonparametrik Terapan.
Penerbit PT. Gramedia. Jakarta.
[8] Djarwanto, 1997. Statistika Nonparametrik. BPFE -
Yogyakarta. Yogyakarta.
[9] Elifson, K.W, and R. Runyon. 1990. Fundamental of Social
Statistics. Second Edition. McGraw-Hill International
Edition. Singapore.
[10] Gibbon, J.D. 1985. Nonparametric Statistical Inference.
Marcel Dekker. New York, NY.
[11] Loether, H. and D.G. McTavish.1988. Descriptive and
Inferential Statistics: An Introduction, Third Edition. Allyn
and Bacon. Needham Heights, MA.
[12] Lohninger, H. 2006. Ordinal Association.
http://www.statisticssolutions.com/ordinal-association.htm
[13] SAS Institute, 1999. Measures of Association.
http://v8doc.sas.com/sashtml/stat/chap28/sect20.htm
[14] Scheaffer R.L. 1999. Categorical Data Analysis.
http://courses.ncssm.edu/math/Stat_Inst/PDFS/Categorical
%20Data%20Analysis.pdf
[15] Siegel, S., and J. Castellan, Jr. 1988. Nonparametric
Statistics for the Behavioral Sciences. McGraw-Hill
International Edition. Singapore.










Sebagai gantinya diciptakan oleh pakar metode statistika alternatif yang sesuai yaitu metode statistika nonparametrik sebagai pelengkap statistika parametrik.hubungan X dan Y sempurna dan negatif (mendekati -1. Sebagai contoh. Pertama didasarkan pada skala pengukuran variabel penelitiannya. Metode ini digunakan untuk data pengamatan dengan skala nominal 2. jelas peneliti tidak mungkin mempergunakan metode statistika parametrik. ordinal. hubungan X dan Y lemah sekali atau tidak ada hubungan. Pada dasarnya uji yang sesuai bagi variabel dengan skala nominal atau ordinal adalah uji statistika nonparametrik. Contoh uji statistika nonparametrik diantaranya adalah uji binomial. yaitu hubungan sangat kuat dan negatif). Metode ini digunakan untuk data pengamatan dengan skala interval atau rasio. r = -1. Suatu metode statistika dapat dikatakan nonparametrik apabila memenuhi paling sedikit satu kriteria dibawah ini : 1. apakah berupa sampel tunggal. apakah berupa uji kesesuaian (goodness-offit). uji independensi. Pemilihan macam uji statistika nonparametrik mana yang paling sesuai didasarkan pada beberapa kriteria. uji median. Di sini variabel motivasi ataupun kepuasan kerja adalah data ordinal. statistika nonparametrik juga tidak menetapkan syarat-syarat mengenai parameter-parameter populasi yang merupakan induk sampel penelitiannya. Selain itu. Nilai koefisien korelasi paling (r) dapat dinyatakan sebagai berikut : (1) −1 ≤ r ≤ 1 r = 1. Analisis Korelasi Statistika Nonparametrik Analisis korelasi merupakan uji statistika yang mengukur keeratan hubungan antara dua variabel. Sama halnya dengan statistika parametrik. atau skala interval/rasio. dua sampel berpasangan atau dua sampel independen. atau sampelnya lebih dari dua buah yang berpasangan atau yang independen. banyak pengukuran data dilakukan secara kualitatif dan data dalam penelitian yang diperoleh sering berupa kategori yang hanya dapat dihitung frekuensinya atau berupa data yang hanya dapat dibedakan berdasarkan tingkatan atau rankingnya. karena model uji statistikanya tidak menetapkan syarat-syarat tertentu tentang bentuk distribusi parameter populasinya. pemilihan uji nonparametrik didasarkan pada jenis penelitiannya. analisis korelasi pada statistika nonparametrik juga mempelajari apakah ada hubungan antar dua variabel. Hal ini salah satunya karena jumlah data sampel yang didapat tidak cukup banyak sehingga tidak memenuhi distribusi normal. uji Kolmogorov-Smirnov. uji korelasi peringkat. Selain tidak menetapkan syarat mengenai distribusi populasinya. yaitu hubungan sangat kuat dan positif).Sigit Nugroho / Jurnal Gradien Vol. atau apakah berupa uji keterikatan ( korelasi ) antara dua kumpulan atribut atau dua kumpulan skor. Kedua. apakah motivasi seseorang mempengaruhi kepuasan bekerja orang tersebut. Ketiga. uji Friedman dan lain sebagainya. dimana distribusi populasinya tidak diketahui. Kesulitan-kesulitan dalam data tetap harus diatasi supaya analisis data bisa dilakukan dan menghasilkan suatu kesimpulan yang valid. uji banding. akan menghasilkan suatu kesimpulan yang tidak valid. Metode ini digunakan untuk data pengamatan dengan skala ordinal 3. namun terdapat juga uji statistika nonparametrik yang berlaku pada variabel yang berskala interval. Indeks yang mengukur keeratan hubungan dua variabel disebut koefisien korelasi. Karena apabila asumsi-asumsi tidak dapat terpenuhi. Menghadapi kasus data kategorikal (nominal) atau data ordinal seperti itu. pemilihan uji statistika nonparametrik didasarkan pada banyaknya sampel penelitian. baik itu skala nominal. karena tidak mungkin motivasi dan kepuasan diukur seperti . Keeratan hubungan antara dua variabel dapat diukur kekuatannya. Metode statistika nonparametrik merupakan suatu metode analisis data tanpa memperhatikan bentuk distribusinya sehingga statistika ini sering juga disebut metode bebas sebaran (distribution free methods). 2 Juli 2008 : 372-381 373 distribusi normal. Hanya pada korelasi nonparametrik. hubungan X dan Y sempurna dan positif (mendekati 1. 2. r = 0. uji tanda. 4 No. uji WilcoxonMann-Whitney. Artinya bahwa metode statistika nonparametrik ini tidak menetapkan syarat bahwa observasi-observasinya harus ditarik dari populasi yang berdistribusi normal dan tidak menetapkan syarat homoskedastisitas (homoscedasticity). data atau variabel yang akan diuji dan diukur korelasinya adalah data nominal atau ordinal.

Yi ) dan tidak memperhitungkan besarnya perbedaan pasangan nilai pengamatan ( X i . Dimana untuk koefisien korelasi peringkat Spearman-rho memperhitungkan besarnya perbedaan rank pasangan nilai pengamatan ( X i . atau interval-rasio). untuk kasus pengukuran analisis korelasi antara dua kumpulan skor dapat digolongkan berdasarkan pada skala pengukuran variabel penelitiannya (skala nominal. a. Dalam statistika parametrik. 4 No. Sedangkan dalam statistika nonparametrik. Pembagian Korelasi Dari bagan di atas. Perhitungan dalam teknik korelasi ini mensyaratkan bahwa populasi asal sampel mempunyai dua varian (bivariat) dan berdistribusi normal. Koefisien Korelasi Nonparametrik Untuk Skala Ordinal    ∑ X − X 2  ∑ Y − Y 2        ( ) ( dengan X dan Y adalah variabel-variabel yang diamati dan banyaknya sampel pengamatan. Akan tetapi perlu juga dilakukan uji signifikansi. dan koefisien korelasi Gamma didasarkan pada konsep pasangan concordant (C) dan discordant (D). terdapat empat macam koefisien korelasi yang dapat digunakan. Adapun penggolongan uji korelasi itu adalah sebagai berikut: Gambar 1. ordinal. dalam hal ini pengujian hipotesis dari kedua variabel tersebut. Yi ) . Uji satu arah (Positif) H0 : Xi dan Yi saling bebas H1 : Xi dan Yi dependen (hubungan positif) . Koefisien korelasi bivariat yang paling lama dan banyak digunakan adalah korelasi yang dikembangkan oleh Karl Pearson. Selain itu teknik korelasi ini dalam aplikasinya digunakan untuk mengukur korelasi data dengan skala pengukuran interval atau rasio. Untuk mengetahui keeratan hubungan antara dua variabel. Gamma. koefisien korelasi Somers yang dinotasikan dengan d yx . Uji satu arah (Negatif) H0 : Xi dan Yi saling bebas H1 : Xi dan Yi dependen (hubungan negatif) .374 Sigit Nugroho / Jurnal Gradien Vol. Hipotesis-hipotesis Uji dua arah H0 : Xi dan Yi saling bebas H1 : Xi dan Yi dependen (hubungan positif atau negatif) . 2 Juli 2008 : 372-381 pengukuran tinggi badan atau berat badan yang secara riil dapat dilihat. yaitu koefisien korelasi peringkat Spearman-rho yang dinotasikan dengan ρ. Perhitungan dalam korelasi ini didasarkan pada data sebenarnya (variabel asli). tidak hanya dilihat dari besarnya nilai koefisien korelasi antara dua variabel yang diberikan. sedangkan untuk koefisien korelasi Kendall-tau. Secara statistik. Koefisien korelasi yang dikenal luas dan paling sering digunakan adalah koefisien korelasi momen hasil kali Pearson yang dinotasikan dengan r. koefisien korelasi Kendall-tau yang dinotasikan dengan τ. Hanya saja antara koefisien korelasi peringkat Spearmanrho dengan koefisien korelasi Kendall-tau. koefisien korelasi Somers. dan Somers ada sedikit perbedaan. dan koefisien korelasi Gamma hanya memperhitungkan kekuatan asosiasi berdasarkan arah pasangan nilai pengamatan ( X i . dan Koefisien korelasi merupakan ukuran yang menyatakan keeratan hubungan antara dua variabel. Yi ) seperti pada koefisien korelasi peringkat Spearman-rho atau dengan kata lain koefisien korelasi Kendall-tau. Keempat koefisien korelasi ini didasarkan pada ranking. dapat dilihat bahwa koefisien korelasi nonparametrik untuk jenis data dengan skala pengukuran ordinal. dimana rumus r adalah sebagai berikut: ∑ (X r= − X Y −Y )( ) ) 1  2 (2) koefisien korelasi Gamma yang dinotasikan dengan G. koefisien korelasi momen hasil kali Pearson atau sering disingkat . koefisien korelasi Somers.

Misalkan R( X i ) adalah rank dari X i dibandingkan dengan nilai X lainnya.rho ( ρ ) dimana untuk koefisien korelasi peringkat Spearman-rho (ρ). Y2 ). maka Xi diganti dengan R(Xi) dan Yi diganti dengan R(Yi). 4 No. Sehingga rumus koefisien korelasi peringkat Spearman-rho ( ρ ) adalah ρ = i =1 ∑ [R ( X i ) − n R ( X ) R (Yi ) − R ( Y ) ][ ] ) 1  n 2 n 22  ∑ R ( X i ) − R ( X ) ∑ R (Yi ) − R ( Y )   i =1  i =1   R( X i) − i =1  ( ) ( ∑ n  = n + 1 n + 1 R ( Yi ) − 2  2    1 (5) Ukuran korelasi nonparametrik yang analog dengan koefisien korelasi Pearson (r) adalah koefisien korelasi yang dikembangkan oleh Charles Spearman (1908) yaitu koefisien korelasi peringkat Spearman.rho. yaitu ( X1. Y1). X n . dan seterusnya dengan rank n ditandai sebagai nilai X i terbesar. K . selisih-selisih antara rank-rank X i dan Yi untuk masing- masing pengamatan. . Jika di antara nilai Xi atau di antara nilai Yi terdapat angka sama. Statistik ini kadang disebut dengan Spearman. ( X 2 .K. Misal data terdiri dari sampel acak bivariat berukuran n. maka pada koefisien korelasi peringkat Spearmanrho digunakan untuk pengukuran korelasi pada statistik nonparametrik (skala ordinal). i =1 yaitu kuadrat dari selisih-selisih antara rank-rank X i dan Yi untuk masing-masing pengamatan.rho merupakan turunan rumus koefisien korelasi Pearson.K.Sigit Nugroho / Jurnal Gradien Vol. i. n . Begitu juga untuk R(Yi ) . yaitu (4) (X − X )(Y − Y ) r= ∑ i i 2 22   ∑ X i − X ∑ Yi − Y    ( ) ( ) 1 Dalam aplikasinya koefisien korelasi ini digunakan untuk mengukur keeratan hubungan di antara hasil-hasil pengamatan dari populasi yang mempunyai dua varian (bivariat). • Gunakan persamaan 6 untuk menghitung ρ. variabel asli diganti dengan rank-ranknya. R ( X i ) = 2 jika X i adalah nilai X terkecil kedua. juga untuk pengamatan Y beri peringkat mulai dari 1 sampai n. dan dinotasikan dengan ρ. Jika pada koefisien korelasi Pearson (r) digunakan untuk mengetahui korelasi data kuantitatif (skala interval dan rasio). maka masing-masing nilai yang sama diberi peringkat rata-rata dari posisi-posisi yang seharusnya. ( X n . Koefisien korelasi peringkat Spearman . • Tentukan harga ∑ d i2 . X 2 . untuk i = 1. Ini merupakan ukuran korelasi yang menuntut kedua variabel diukur sekurangkurangnya dalam skala ordinal sehingga obyek-obyek penelitiannya dapat diranking dalam dua rangkaian berurut. maka persamaan diatas dapat disederhanakan sebagai berikut ρ = 1 − i =1 6 ∑ [R ( X i ) − R (Yi )]2 n( n 2 − 1) n n =1− 6T n ( n 2 − 1) (6) jumlah dimana ∑d i =1 n 2 i 2 = ∑ [R ( X i ) − R (Yi )] . 2 Juli 2008 : 372-381 375 dengan koefisien korelasi Pearson yang dinotasikan dengan r dirumuskan sebagai berikut: r = 1 n ∑ X i − X Yi − Y n i =1 ( )( ) ) 1 (3)  1 n 2  1 n 2    ∑ X i − X   ∑ Yi − Y   2  n    n i =1   i =1   ( ) ( Rumus koefisien korelasi peringkat Spearman.2. Selain itu teknik korelasi ini dalam aplikasinya digunakan untuk mengukur korelasi data interval atau rasio. Yn ) . yaitu jumlah kuadrat dari i =1 n adalah nilai X terkecil dari X1 . R( X i ) = 1 jika X i  n ( n 2 − 1) n ( n 2 − 1)  ⋅  12 12  R( X i) − i =1  2    ∑ n  = n + 1 n + 1 R ( Yi ) − 2  2    n ( n 2 − 1) 12 untuk mempermudah perhitungan. Langkah-langkah untuk menghitung koefisien korelasi Spearman-rho (ρ) adalah sebagai berikut : • Berilah peringkat untuk masing-masing pengamatan X mulai dari 1 hingga n. Perhitungan dalam tekhnik korelasi ini mensyaratkan bahwa populasi asal sampel mempunyai dua varian dan berdistribusi normal.

dari nilai pengamatan X yang paling kecil. Y j ) diskordan. koefisien korelasi yang dapat digunakan adalah koefisien korelasi Gamma (G) dan koefisien korelasi Somers (d yx ) . Sedangkan untuk koefisien korelasi Kendall-tau salah satu variabelnya yang diberi peringkat (diurutkan). K . maka arah nilai pengamatannya sama (konkordan)..2. maka Kendall-tau dapat dihitung sebagai berikut: C−D (7) τ= 1 n(n − 1) 2 . dimana baik variabel X dan variabel Y masing-masing kita ranking. Misalkan ada dua pengamatan bivariat X dan Y. Jika ada  n  n ( n − 1)  = 2 2   sebanyak C pasangan yang searah (konkordan) dan D pasangan yang berlawanan arah (diskordan). Sedangkan variabel Y akan dilihat apakah nilai variabel Y itu searah (konkordan) atau berlawanan arah (diskordan) dengan variabel X yang sudah diurutkan. yaitu didasarkan pada banyaknya pasangan konkordan (C) dan pasangan diskordan (D). Koefisien korelasi Kendall .Yi ). Jika untuk koefisien korelasi peringkat Sperman-rho didasarkan pada peringkat (rank). 2 Juli 2008 : 372-381 ii. yaitu variabel X saja atau variabel Y saja dalam hal ini biasanya adalah variabel X. iii. ( X i − X j )(Yi − Y j ) < 0 Xi > X j artinya atau jika (Y − Y ) adalah Xi < X j jika Yi > Y j maka Yi <Yj maka sehingga (X − X ) dan memiliki tanda yang berlawanan dengan hasil kali yang selalu negatif. n dimana X dan Y sekurang-kurangnya berskala ordinal. Koefisien korelasi ini dikenalkan oleh Goodman dan Kruskal (1954). i = 1. Koefisien korelasi yang ketiga yang dapat digunakan untuk mengukur korelasi untuk data penelitian dengan skala pengukuran ordinal adalah koefisien korelasi Gamma. Disini dapat dikatakan bahwa nilai-nilai X berada dalam urutan yang wajar (natural order). k jika jika Yi < Y j artinya atau jika adalah X i < X j maka maka Yi > Y j sehingga (X − X ) dan (Y − Y ) memiliki tanda yang sama. Akan tetapi.. Kendall (1938) yaitu koefisien korelasi Kendall-tau yang dinotasikan dengan τ. Jika nilai Y yang di bawah lebih besar dari Y yang di atasnya. jika data pasangan pengamatan banyak mengandung angka sama atau ada situasi dimana data pengamatan ditampilkan dalam bentuk tabel kontingensi. Dan jika nilai Y yang di bawah lebih kecil dari Y yang di atasnya.. Jika ada data bivariat ( X i . maka penggunaan koefisien korelasi Spearman-rho dan Kendall-tau akan kurang efektif. K . X k . yaitu sama-sama positif atau sama-sama negatif dengan hasil kali yang selalu positif. Pengamatan Xi terdiri dari dimana X 1. Yi ) dan ( X j . dimana keduanya merupakan variabel terurut. Pasangan ( X i .2. yang dinotasikan dengan G. Y j ) konkordan.G. Y j ) untuk i ≠ j dapat didefinisikan pasangan nilai sebagai berikut : i).Yi) dalam sebuah kolom menurut besarnya nilai-nilai pengamatan X. • gunakan persamaan [7] untuk menghitung τ. Yi ) dan ( X j . yaitu Spearman-rho dan Kendall-tau.. Koefisien korelasi Gamma ( G) Sebelumnya sudah dibahas dua koefisien korelasi untuk dua variabel dengan skala pengukuran ordinal. i = 1. tetapi berbeda dasar logikanya. untuk n pengamatan ada sebanyak pasangan yang mungkin. Yi ) dan ( X j . • Tetapkan C sebagai banyaknya pasangan konkordan dan D banyaknya pasangan diskordan. maka arah nilai pengamatannya berlawanan (diskordan). • Perbandingkan setiap nilai pengamatan Y satu demi satu dengan setiap nilai Y yang ada di sebelah bawahnya. Maka untuk setiap pasangan nilai observasi ( X i . ( X i − X j )(Yi − Y j ) > 0 Xi > X j Langkah-langkah untuk menghitung koefisien korelasi Kendall-tau (τ) adalah sebagai berikut : • Susunlah pasangan-pasangan (Xi. 4 No. X 2 . ii) Pasangan jika ( X i . Koefisien korelasi ini memiliki dasar logika yang sama dengan koefisien korelasi Kendall-tau.Tau ( τ ) Koefisien korelasi yang kedua yang biasa digunakan untuk mengukur kekuatan korelasi untuk data penelitian dengan skala pengukuran ordinal adalah koefisien korelasi yang dikenalkan oleh M. Dengan demikian untuk data pasangan pengamatan yang keduanya bertipe ordinal dan ditampilkan dalam bentuk tabel kontingensi. Secara keseluruhan.376 Sigit Nugroho / Jurnal Gradien Vol. Koefisien korelasi ini memiliki sifat yang sama dengan koefisien korelasi peringkat Spearman-rho.

K. … … … nr2 C2 … … Xk n1k n2k . G= C−D C+D (9) i = 1. k + N ij dan − N ij didefinisikan sebagai berikut: + N ij = p = i +1 q = j +1 ∑ ∑n j k pq dan N − = ij p = i +1 q =1 ∑ ∑n j k −1 (10) pq Langkah-langkah menghitung koefisien korelasi Gamma (G) adalah sebagai berikut: • Hitung banyaknya pasangan konkordan dan diskordan dari tabel kontingensi yang diberikan.2. . • Kemudian substitusikan ke persamaan 11. Tabel 1.2. nr1 C1 X2 n12 n22 . .Sigit Nugroho / Jurnal Gradien Vol. . diketahui bahwa rumus koefisien korelasi Gamma (G) adalah sebagai berikut : G= C−D C+D ( d yx ) dimana + C = ∑ nij N ij i. K . dan koefisien korelasi Somers berikut : adalah sebagai . Statistik (d yx ) didefinisikan sebagai berikut : d yx = N 2 (C − D ) 2 (11) − ∑ C i2 i =1 k maka statistik G didefinisikan sebagai berikut. Statistik (d yx) menyatakan selisih proporsi pasangan konkordan dan diskordan diantara pasangan dengan nilai pasangan pengamatan yang berangka sama untuk variabel X. substitusikan C dan D ke persamaan 8. X 1 . . Y1 Y2 . Untuk menghitung statistik G dari dua pasangan pengamatan untuk data ordinal. . X 2 . K . yaitu didasarkan pada banyaknya pasangan konkordan (C) dan pasangan diskordan (D). . 4 No. . Dimana untuk menghitung banyaknya pasangan konkordan dapat digunakan persamaan 9 dan untuk menghitung banyaknya pasangan diskordan gunakan persamaan 10. j j = 1. r dimana Y1 < Y2 < L < Yr . Begitu juga dengan pengamatan Yj Y1 .K. nrk Ck Total R1 R2 . K . Rr N dan . K . . X2. • Setelah banyaknya pasangan konkondan (C) dan diskordan (D) sudah diketahui. • Selanjutnya hitung jumlah kuadrat dari banyaknya frekuensi dalam tiap baris di setiap kolomnya. yang dinotasikan dengan (d yx ) . D = i = 1. Yr . Hubungan antara Gamma (G) dan Somers (d yx ) Dari informasi yang diberikan. 2 Juli 2008 : 372-381 377 X1 < X 2 < L < X k . K. Langkah-langkah menghitung koefisien korelasi Somers (d yx) adalah sebagai berikut: • Dengan cara yang sama seperti koefisien korelasi Gamma (G). k − 1 . b. X k dan Y1 . Yr yang disusun dalam tabel kontingensi seperti dibawah ini. iv. Yr X1.K. hitung banyaknya pasangan konkordan dan diskordan dari tabel kontingensi yang diberikan menggunakan persamaan 9 dan 10.2. K . r − 1 i. Y2 . Koefisien korelasi Somers (d yx ) Koefisien korelasi yang dapat digunakan untuk mengukur kekuatan korelasi untuk data penelitian dimana kedua variabel berskala ordinal dan data ditampilkan dalam bentuk tabel kontingensi selain koefisien korelasi Gamma (G) adalah koefisien korelasi Somers.2. . Y2 .2. r − 1 N adalah banyaknya pengamatan dan Ci merupakan frekuensi marginal dari nilai pengamatan X. K . Koefisien korelasi ini juga memiliki dasar logika yang sama dengan koefisien korelasi Kendall-tau dan Gamma. Xk terdiri dari j = 1. Tabel Kontingensi Data Kategorik Peringkat. j − ∑ nij N ij dengan dengan dan dan j = 1. Yr Total X1 n11 n21 . . Koefisien korelasi ini dikenalkan oleh Somers (1962). Untuk menghitung statistik (d yx ) dari dua buah pengamatan terurut X dan Y. Y2 . yaitu Y1.

dan Kendall-tau (τ) untuk masing-masing sampel baik itu data seragam maupun data normal. Sedangkan koefisien korelasi Pearson digunakan untuk menghitung koefisien korelasi dimana data . Simulasi data ini merupakan dua buah data berpasangan (X. Kemudian data tadi dibangkitkan sehingga datanya berdistribusi normal.378 Sigit Nugroho / Jurnal Gradien Vol. Data simulasi di sini ada dua macam. Dengan demikian dapat diperoleh secara keseluruhan nilai koefisien korelasi Pearson. Data sebanyak 100 sampel. dan Kendall-tau untuk 100 sampel baik untuk data seragam maupun data normal telah dilakukan. dimana setiap sampel terdiri dari 12 pengamatan. dan koefisien korelasi Kendall-tau (τ). Simulasi Data Seragam Simulasi Data X Y 1 48 1 2 55 2 3 48 3 4 7 4 5 17 5 6 84 6 7 87 7 8 22 8 9 45 9 10 56 10 11 74 11 12 34 12 Tabel 3. Teladan Penerapan Sebagai ilustrasi. karena data pengamatan merupakan sampel acak dengan distribusi seragam dan koefisien korelasi yang baik digunakan untuk menghitung data semacam itu adalah koefisien korelasi Spearman-rho dan Kendall-tau dimana data pengamatannya tidak berdistribusi normal. Dari 100 sampel yang dibangkitkan dari distribusi seragam. 4 No. Perhitungan Koefisien Korelasi Pearson. Spearman rho. 2 Juli 2008 : 372-381 d yx = 2 (C − D ) N2 − i =1 ∑ Ci2 k sehingga hubungan antara Gamma (G) dan Somers (d yx ) adalah C−D C+D 2(C − D ) N2 − i =1 k G = d yx N2 − = 2(C + D) i =1 ∑ Ci2 ∑ Ci2     d yx     k dengan demikian k   N 2 − ∑ C2 i  i =1 G =   2 (C + D )    Tabel 2. koefisien korelasi Spearman-rho.Y). kebanyakan nilai-nilai koefisien korelasi yang diberikan oleh koefisien korelasi Spearman-rho dan Kendall-tau cenderung lebih besar dibandingkan dengan koefisien korelasi Pearson.dan Kendall-tau Perhitungan koefisien korelasi Pearson. Dimana simulasi data dibuat menggunakan program komputer Microsoft EXCEL. Salah satu contoh sampelnya adalah sebagai berikut: Setelah simulasi data untuk masing-masing sampel dibuat. yang pertama data simulasi dengan sebaran seragam. data yang digunakan untuk perhitungan koefisien korelasi nonparametrik untuk skala ordinal adalah data simulasi. Spearman-rho. maka langkah selanjutnya adalah menghitung masingmasing koefisien korelasi Pearson. yaitu data tidak normal (seragam) dan data normal. Spearman-rho. 1. data simulasi yang digunakan itu sama. 3. Ini sesuai dengan yang diharapkan. Data simulasi terdiri dari dua jenis. Simulasi Data Normal Simulasi Data X Y 1 -10 11 2 -2 -6 3 4 -17 4 3 -16 5 3 0 6 -4 7 7 -2 -2 8 -13 9 9 2 -2 10 -4 -3 11 0 8 12 -5 2 (12) atau      2(C + D)  d yx =  G  2 k 2  N − ∑ Ci  i =1   (13) untuk data yang sama. dalam perhitungan G dan (d yx ) nilai 2 (C + D ) k N 2 − ∑ C i2 i =1 konstan.

17538 0.66206 0.76656 40.03931 0. Data sebanyak 100 sampel.55919 0.38279 22. dapat dihitung nilai koefisien korelasi Gamma (G) dan Somers (d yx ) .51671 2 2 3 0. Karena koefisien korelasi Gamma (G) dan Somers ( d yx ) merupakan suatu ukuran asosiasi dimana data pengamatannya berupa data kategori peringkat dan ditampilkan dalam bentuk tabel kontingensi sehingga data dibangkitkan ke bentuk tabel kontingensi. karena koefisien korelasi Pearson memang baik digunakan untuk data pengamatan yang berdistribusi normal.45599 38.02840 Y 14. dari 100 sampel yang dibangkitkan dari distribusi normal. Sedangkan koefisien korelasi Spearman-rho dan Kendall-tau digunakan untuk data yang tidak berdistribusi normal sehingga nilai koefsien yang diberikan lebih kecil dibandingkan dengan koefisien korelasi Pearson.07570 32.98426 8.63256 0 3 10 0.10446 35. 2.26679 29.68083 0. data simulasi yang digunakan juga sama. Disini masingmasing pengamatan X dan Y dibagi menjadi beberapa kelas.15713 42.43789 42.04156 33.65512 0. Data Simulasi Kategorik Seragam X Y 1 0. sedangkan untuk koefisien korelasi Somers (d yx ) banyaknya data kembar untuk pengamatan X diperhatikan. Data Simulasi Kategorik Normal 1 2 3 4 5 6 7 8 9 10 … 1000 X 17. Kontingensi Data Seragam 2 0 1 2 3 4 51 31 38 48 43 211 39 28 45 41 43 196 41 34 52 31 37 195 0 48 35 53 40 28 204 1 38 34 41 38 43 194 217 162 229 198 194 1000 0 1 2 3 4 0 0 2 6 11 2 21 Tabel 7. kebanyakan nilai-nilai koefisien korelasi Pearson lebih besar dibandingkan dengan koefisien korelasi Spearman-rho dan Kendall-tau.83054 38.84352 0. Baik untuk data normal ataupun data seragam. Kontingensi Data Seragam 1 2 3 4 1 10 6 3 18 53 52 21 47 115 110 48 45 125 115 41 15 47 50 13 126 350 333 126 20 146 326 337 127 956 42 22 31 30 21 1 24 20 3 12 33 Setelah tabel kontingensi dibuat. Sebaliknya.33482 3 1 4 0.55677 0.08129 29.20846 0.96036 1 3 3 3 3 2 2 4 3 2 2 1 2 2 4 3 2 4 0 3 4 4 11 32 32 34 33 22 24 40 33 24 24 Dari tabel 4 dan 5 di atas untuk tiga kolom terakhir merupakan alat bantu untuk membangkitkan data dari data pengamatan X dan Y yang diberikan ke bentuk data kategorik.42992 21.Sigit Nugroho / Jurnal Gradien Vol. Data simulasi di sini juga dua macam yaitu data seragam dan data normal.45115 31. Perhitungan Koefisien Korelasi Gamma (G) dan Somers (dyx) Untuk perhitungan koefisien korelasi Gamma (G) dan Somers (d yx ) .67225 27.61992 3 3 Tabel 5.77020 41.25021 0 1 7 0.54403 0. dalam hal ini dibuat ke dalam bentuk tabel kontingensi.99774 2 4 8 0. Setelah melalui beberapa proses. maka data pengamatan X dan Y di atas menghasilkan tabel kontingensi sebagai berikut: Tabel 6. Ini sesuai dengan yang diharapkan.17671 3 0 5 0. dalam hal ini dibagi ke dalam beberapa kategori.13505 2 0 9 0. kebanyakan nilai koefisien korelasi Gamma (G) yang diberikan cenderung lebih besar dibandingkan dengan koefisien korelasi Somers (dyx). 2 Juli 2008 : 372-381 379 pengamatannya berdistribusi normal.42763 34.45445 44.45049 0. Berikut contoh simulasi data untuk salah satu sampel dengan 1000 pengamatan untuk data simulasi dari data seragam dan data normal.51695 1 2 … 1000 0. sehingga untuk data seragam nilai koefisien korelasi Pearson yang diberikan lebih kecil. dimana setiap sampel terdiri dari 1000 pengamatan. Ini disebabkan koefisien korelasi Gamma tidak memperhatikan banyaknya data kembar. 4 No. .46344 4 2 2 0. Tabel 4.29441 2 1 6 0.41158 23.72188 26.

ini menyatakan bahwa arah hubungan antara nilainilai koefisien korelasi Gamma (G) dan Somers (d yx ) adalah positif baik untuk data seragam ataupun data normal. nilai koefisien korelasi yang diberikan oleh koefisien korelasi Spearmanrho dan Kendall. Dimana hubungan yang positif menunjukkan bahwa kenaikan nilai koefisien korelasi Gamma (G) diikuti oleh kenaikan pada nilai koefisien korelasi Somers (dyx) dan sebaliknya penurunan nilai koefisien korelasi Gamma (G) diikuti oleh penurunan pada nilai koefisien korelasi Somers (dyx) . yaitu arah hubungan dan besarnya perubahan pada nilai-nilai koefisien korelasi Gamma (G) yang terjadi sehubungan dengan perubahan pada nilai-nilai koefisien korelasi Somers (d yx ) . 4 No. 1984. Arah hubungan dapat dilihat dari tanda aljabar (positif atau negatif) pada nilai slope. nilai slope (kemiringan garis) yang diberikan berturut-turut sebesar 0. Hal ini menunjukkan bahwa : . Kendall-tau (τ). dan Somers (d yx ) .com/Products/ StatXact/ Intro_ Nonparametric_Inference.cytel.pdf . [2] Anonim. http://www. Pola hubungan antara nilai-nilai koefisien korelasi Gamma (G) dan Somers (d yx ) baik untuk data seragam maupun data normal yang terlihat pada Gambar 2 dan Gambar 3 di atas adalah hubungan yang bersifat linier karena dapat dihampiri oleh sebuah garis lurus. Karena nilai slope bernilai positif. Hubungan linier antara Gamma dan Somers untuk data normal 4. Analysis of Ordinal Categorical Data.Koefisien korelasi Pearson (r) baik digunakan jika data pengamatan berdistribusi normal dan skala data serendah-rendahnya adalah interval atau rasio.tau lebih besar dibandingkan dengan koefisien korelasi Pearson.Koefisien korelasi Spearman-rho (ρ) dan Kendall-tau (τ) baik digunakan untuk pasangan pengamatan yang tidak berdistribusi normal. Koefisien korelasi Gamma (G) dan Somers (d yx ) digunakan untuk pasangan pengamatan dengan skala data ordinal dalam bentuk kategorik peringkat (data ditampilkan dalam bentuk tabel kontingensi) dan Koefisien korelasi Gamma (G) dan Somers ( d yx ) menunjukkan hubungan yang linier. Hubungan linier antara Gamma dan Somers untuk data seragam [1] Agresti. Untuk melihat pola hubungan antara nilai-nilai koefisien korelasi Gamma (G) dan Somers (dyx) baik untuk data seragam maupun data normal dapat dilihat pada Gambar 2 dan Gambar 3. 2003. Introduction to Exact Nonparametric Inference. New York. Daftar Pustaka Gambar 2.7882 dan 0. Sedangkan untuk data normal nilai koefisien korelasi Pearson lebih besar dibandingkan dengan koefisien korelasi Spearman. Gambar 3.rho dan Kendalltau. Untuk data yang tidak normal (data seragam). Kesimpulan Koefisien korelasi yang dapat digunakan untuk skala data ordinal adalah koefisien korelasi Spearman-rho (ρ).7021. Nilai slope menunjukkan dua hal. Sehingga hubungan antara nilai-nilai koefisien korelasi Gamma (G) dan nilainilai koefisien korelasi Somers (d yx ) adalah linier. Gamma (G). 2 Juli 2008 : 372-381 Baik untuk data seragam maupun data normal dari tabel nilai-nilai koefisien korelasi Gamma (G) dan Somers (dyx) untuk 100 sampel. John Wiley and Sons. .380 Sigit Nugroho / Jurnal Gradien Vol.

doc [5] Azizi. Singapore. M.htm [13] SAS Institute. com/ content/BPL_Images/Content_store/Samp le_chapter/9781405127806/Petrie%20sample%20Ch26. http://courses. Analisis Berstatistik Lanjutan. Categorical Data Analysis. 1988. 1989. Measures of Association. McGraw-Hill International Edition. J. and D.com/sashtml/stat/chap28/sect20. 2000. Second Edition. New York. NY. Penerbit PT. H. [11] Loether. http://www. 1985. Nonparametric Statistical Inference. 4 No. and R.edu/eop/worksheets/exac2126/PRE--Measures%20of %20Association--1203. Statistika Nonparametrik. [10] Gibbon.1988. Castellan. NY. Marcel Dekker. MA. K.geo cities.statisticssolutions. and J. Correlation.pdf [15] Siegel. Needham Heights. 1999. Measures of Association. [8] Djarwanto. [12] Lohninger. http://www. McTavish. W.. New York.W. 1997.blackwell publishing. http://academic. Practical Nonparametric Statistics. Singapore.edu/math/Stat_Inst/PDFS/Categorical %20Data%20Analysis. Jakarta. 1999. John Wiley and Sons. 2 Juli 2008 : 372-381 381 [3] Anonim. 2006.com/kheru2006/vii. Fundamental of Social Statistics. Nonparametric Statistics for the Behavioral Sciences. W. shu.sas.pdf [4] Aryee. Jr.J. Descriptive and Inferential Statistics: An Introduction.ncssm. Gramedia. http://v8doc.L.com/ordinal-association. Allyn and Bacon. Wiley International Edition. 2002. [9] Elifson. . McGraw-Hill International Edition.D. BPFE Yogyakarta.Sigit Nugroho / Jurnal Gradien Vol. Yogyakarta. Statistika Nonparametrik Terapan. [7] Daniel.htm [14] Scheaffer R.htm [6] Conover. Third Edition. S. H. http://www.2005.G. 1971. Runyon. 1990. Ordinal Association.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->