Archive for December, 2011 Korelasi Spearman (referensi) Author: aldoranuary26 Referensi yang Menjelaskan Tentang Korelasi Spearman

Djarwanto Ps. SE. Mengenal Beberapa Uji Statistik Dalam Penelitian. 2001. Liberti Yogyakarta : Yogyakarta. Menurut buku ini, yang dimaksud dengan korelasi rank (jenjang) Spearman adalah sebuah metode yang diperlukan untuk mengukur keeratan hubungan antara dua variabel dimana dua variabel itu tidak mempunyai joint normal distribution dan conditional variance-nya tidak diketahui sama. Korelasi rank dipergunakan apabila pengukuran kuantitatif secara eksak tidak mungkin atau sulit dilakukan. Dalam mengukur koefisien korelasinya, disyaratkan bahwa pengukuran kedua variabelnya sekurang-kurangnya dalam skala ordinal sehingga individu-individu yang diamati dapat diberi jenjang dalam dua rangkaian berurutan. Dalam analisis ini, hipotesis nihil yang akan diuji mengatakan bahwa dua variabel yang diteliti dengan nilai jenjangnya itu independen ; artinya bahwa tidak ada hubungan antara jenjang variabel yang satu dengan jenjang dari variabel lainnya. Pengujian dapat didasarkan pada sampel kecil ataupun sampel besar (apabila n ≥ 10). Usman, Husaini dan Setiady Akbar, R. Purnomo. Pengantar Statistika. 2003. Bumi Aksara : Jakarta. Di dalam buku ini dijelaskan bahwa korelasi rank ditemukan oleh Spearman, sehingga disebut juga sebagaikorelasi Spearman. Korelasi ini dapat juga disebut sebagai korelasi bertingkat, korelasi berjenjang, korelasi berurutan, atau korelasi berpangkat. Korelasi rank dipakai apabila : 1. 2. 3. 4. Kedua variabel yang akan dikorelasikan itu mempunyai tingkatan data ordinal Jumlah anggota sampel dibawah 30 (sampel kecil) Data tersebut memang diubah dari interval ke ordinal Data interval tersebut ternyata tidak berdistribusi normal

Besarnya hubungan antara dua variabel atau derajat hubungan yang mengukur korelasi berpangkat disebut koefisien korelasi berpangkat atau koefisien korelasi Spearman yang dinyatakan dengan lambang rs. Korelasi rank berguna untuk mendapatkan : 1. 2. 3. 4. Kuatnya hubungan dua buah data ordinal Derajat kesesuaian dari dua penilai terhadap kelompok yang sama Validitas konkuren alat pengumpul data Reliabilitas alat pengumpul data setelah dikembangkan bersama-sama dengan William Brown, sehingga disebut dengan Korelasi Spearman-Brown dengan lambang rii.

Penyusunan peringkat dari data 2. hanya saja yang digunakan adalah nilai-nilai peringkat dari variabel x dan y. perlu diingat bahwa nilai korelasi nol (rs = 0) menunjukkan tidak adanya korelasi. Digunakan taraf signifikansi 0.01 adalah 0.Dr. Perhitungan koefisien korelasi peringkat Untuk menginterpretasikan nilai koefisien korelasi Spearman. 4. Kriteria pengujian : . Ir.833. skor mereka adalah : Prosedur pengujiannya adalah : 1. Koefisien korelasi peringkat Spearman (rs) adalah suatu ukuran dari kedekatan hubungan antara dua variabel ordinal. Penentuan perbedaan peringkat dari pasangan data 3. bukan nilai sebenarnya. 3. M. Sedangkan nilai korelasi +1. Harinaldi. 2005. Prinsip-prinsip Statistik Untuk Teknik Dan Sains. Dari sampel beberapa anak di kelas Matahari. sama halnya seperti koefisien korelasi linear.0 menunjukkan korelasi yang sempurna.Eng. Erlangga : Jakarta. Digunakan uji signifikansi koefisien korelasi rank Spearman. Harga kritis rs untuk n = 8 dan alpha 0. Lihat tabel hargaharga kritis rs Koefisien Korelasi Ranking Spearman.01 dengan besar sampel. Dengan demikian koefisien korelasi peringkat Spearman berfungsi mirip dengan koefisien korelasi linier (r). Perhitungan koefisien korelasi peringkat Spearman dilakukan melalui tahap-tahap sebagai berikut : 1. Berikut dilampirkan tabel harga-harga kritis rs Koefisien Korelasi Ranking Spearman : Contoh Data Buatan Korelasi Rank Spearman : Seorang guru di Sekolah Taman Kanak-kanak memberikan rating pada kegemaran menggambar dan tingkat kreatifitas anak-anak di sekolah tersebut dengan menggunakan skala 0-100. n = 8. Formulasi Ho dan H1 : Ho : ρ = 0 (tidak ada hubungan antara kegemaran menggambar dengan tingkat kreatifitas anak-anak) H1 : ρ > 0 (ada hubungan antara kegemaran menggambar dengan tingkat kreatifitas anak-anak) 2.0 dan -1.

Nilai rho observasi (harga uji statistik rs) : 6 b2 rs = 1 – n (n2 – 1) 6 (4. 2001. seperti jenis kelamin. Hal ini biasanya dilakukan untuk melihat apakah satu variabel. Analisis bivariate terdiri atas metode-metode statistik inferensial yangdigunakan untuk No Comments » .5) = 1 – 8 (82 – 1) 6.05 = 0. Husaini dan Setiady Akbar. Bumi Aksara : Jakarta Dr. 5. Dapat disimpulkan bahwa terdapat derajat hubungan yang tinggi antara tingkat yang diberikan pada kegemaran menggambar anak-anak dan tingkat pada kreatifitas mereka DAFTAR PUSTAKA Djarwanto Ps. mungkin sikap terhadap pria maupun wanita kesetaraan.01. 2003. Prinsip-prinsip Statistik Untuk Teknik Dan Sains. R.95 Oleh karena nilai rho observasi (0.833 dan Ho diterima apabila nilai rho observasi < 0.833.95) lebih besar dari harga/nilai kritis rs (0. adalah terkait dengan variabel lain. SE. Mengenal Beberapa Uji Statistik Dalam Penelitian. Harinaldi. Keputusan pengujian = 1 – 504 27 = 1 – 0. Erlangga : Jakarta Posted in dasar-dasar logika | Analisis Bivariate Author: aldoranuary26 ANALISIS BIVARIATE Analisis Bivariat adalah analisis secara simultan dari dua variabel. Pengantar Statistika. Purnomo. Ir. Liberti Yogyakarta : Yogyakarta Usman.833) maka diputuskan Ho ditolak (berarti H1 diterima) pada taraf signifikansi 0. M.Ho ditolak apabila nilai rho observasi > 0. 2005.Eng.

umur. umur pekkawinan pertama. dan unitpjl. 1993) Kegunaan Dari Analisis Bivariat Untuk mengukur kekuatan hubungan antar Contoh mengukur hubungan antar dua variabel : 1. b_selling. kemudian dibandingkan dengan a=0.05. bivariate. Anda dapat memunculkan output nilai means and standard deviations dengan mengklik pilihan yang sesuai pada kolom dtatistik Pada pilihan missing values pada dua pilihan : . (Agung. correlate. b_promo. Apabila nilai p< dari a=0. Masukkan data diatas kedalam program SPSS dengan nama variabel bulan. Untuk kolom test of significance. b_iklan. Kemudian klik tombol option hingga dilayar tampil : Pengisian :   dua variabel atau lebih. Penelitian terhadap dua variabel biasanya mempunyai tujuan untuk mendiskripsikan distribusi data.05 maka ada hubungan atau perbedaan antara dua variabel tersebut. penghasilan. Untuk kolom corelatiaon koeffisients. meguji perbedaan dan mengukur hubungan antara dua variabel yang diteliti. dengan menggunakan program SPSS yaitu nilai p. Klik menu utama analize . tampak dilayar 3. pendidikan. Kemudian klik semua variabel yang akan dikorelasikan dan masukkan kekolom variables dengan mengklik tanda panah 4. pilihlah pearson karena anda ingin melakukan uji atas data rasio 5. status kerja dan kematian bayi/balita dengan persepsi nilai anak digunakan analisis chi square. Motivasi kerja dengan produktivitas 2. Untuk pilihan flag signifikant korelations boleh dicentang (dipilih) hingga pada output akan muncul tanda * untuk signifikansi 5% dan tanda ** untuk signifikansi 1% 7. Menguji ada tidaknya perbedaan/hubungan antara variabel kondisi pemukian. status migrasi. pilih option two-tailed untuk uji dua arah atau dua sisi 6.menganalisis data dua variabel penelitian. denagn tingkat kemaknaan a=0. Hasil yang diperoleh pada analisis chi square.05. 2. agama. Kualitas layanan dengan kepuasan pelanggan Langkah-Langkah Melaksanakan Analisis Bivariat 1. Analisis bivariat menggunakan tabel silang untuk menyoroti dan menganalisis perbedaan atau hubungan antara dua variabel. Analisis Bivariat yaitu hipotesis yang diuji biasanya kelompok yang berbeda dalam ciri khas tertentu dengan koefisien kontigensi yang diberi simbol C.

2. Analisis Diskriminan.1.05 maka ada hubungan atau pernedaan antara dua variabel tersebut (Agung 1993). Analisis Path. Hasil yang diperoleh pada analisis chis quare dengan menggunakan program SPSS yaitu nilai p. 1.05. Teknik analisis statistik yang dibahas meliputi Analisis Regresi. Pembahasan diutamakan pada cara membaca dan menafsirkan arti dari parameter yang diperoleh dari hasil pengolahan data yang terdapat pada output SPSS. Multiple Classification Analysis (MCA). Analisis Regresi Linier Analisis regresi merupakan alat yang dapat memberikan penjelasan hubungan antara dua jenis variabel yaitu hubungan antara variabel dependen atau variabel kriteria dengan variabel independen atau variabel prediktor. Analisis hubungan antara dua variabel disebut sebagai analisis regresi sederhana jika hanya melibatkan satu variabel independen. baik hubungan antara dua variabel (bivariate) maupun banyak variabel (multivariate). dengan tingkat kemaknaan a=0. . Uji chis-quare. Analisis disebut sebagai analisis regresi berganda jika melibatkan lebih dari satu variabel independen. Teknik analisis statistik yang dibahas dalam bab ini bersumber pada SPSS yang difokuskan hanya pada teknik yang dapat menjelaskan hubungan atau kaitan antara beberapa variabel.    Untuk keseragaman pilih exclude cases pairwise Tekan qontinyue jika sudah selesai Kemudian tekan ok dan akan muncul output Jenis-Jenis Uji Analisis Bivariat 1. seberapa kuat hubungan antar variabel tersebut Dapat digunakan untuk jenis data rasio ( scale ) atau interval Dalam analisis bivariate secara umum terdiri dari analisa korelasi dan analisa regresi. Uji korelasi Bivariat ( Product-moment person ) 2. Model Log-Linear. jumlah data tiap pasangan korelasi akan bervariasi.    Untuk menentukan korelasi ( kuatnya hubungan ) antara variabel-variabel penelitian Jika ada hubungan. dan Analisis Faktor. Jumlah untuk semua variabel korelasi adalah sama. Tabel Kontingensi. Exclude cases listwise : Yang dibuang adalah kasus yang salah satu variabelnya memiliki mising data. Exclude cases pairwise : Pasangan yang salah satu tidak ada datanya tidak dimasukkan dalam perhitungan. kemudian dibandingkan dengan a=0.05 apabila nilai p < dari a=0. Model Logit. Akibatnya.

Analisis Regresi Sederhana Analisis regresi sederhana hanya melibatkan satu variabel independen X.p adalah koefisien regresi yang berarti besarnya perubahan pada . Untuk menolak H0 harus dapat dibuktikan secara empirik bahwab 1 ¹ 0 atau b1bermakna (significant) atau dengan kata lain ada hubungan linier regresi antara Y dan X seperti pada persamaan (3. Hal ini dapat dilihat pada output ANOVA sebagai berikut: ANOVA Sum of Df Mean F Sig.00 menunjukkan bahwa H0ditolak  regresi Y pada X bermakna..1) p=1. ini dapat dilihat pada output COEFFICIENTS sebagai berikut: .2) maka hipotesis yang diajukan untuk diuji adalah H0: b1 = 0 terhadap H1: b 1 ¹ 0. Dalam output SPSS 9.38 Selanjutnya adalah untuk mengetahui besarnya estimate koefisien regresi () serta standard error-nya.81 83 9660.000 38. (iii) tidak terdapat hubungan (korelasi) yang tinggi antar variabel X.18 168.……. adalah intercept. sehingga model liniernya adalah Dengan model seperti pada persamaan (3. sehingga dalam persamaan (3.18 1 Residual Total 3185. Uji hipotesis untuk mengetahui apakah regresi Y pada X ada. i = 1. Residual e mengikuti distribusi normal dengan rata-rata 0 dan varians konstan sebesar s2. jika Xi bertambah satu satuan dan variabel yang lain konstan.2).2.Hubungan antara variabel dependen (Y) dengan variabel independen (X) dituliskan dalam model linier umum di mana .99 84 Squares 6475. (ii) e tersebar secara acak dan tidak berpola mengikuti besarnya nilai X.698 .0 for Windows untuk subprogram REGRESION. yang pertama perlu diketahui adalah apakah regresi Y pada X bermakna. Squares Model 1 Regresion 6475. Asumsi dasar dalam analisis regresi adalah (i) setiap Y yang merupakan kombinasi linier atas X dan mengikuti distribusi normal. Tabel ANOVA dengan =0.

27. maka kita perlu membuat model yang sesuai dengan tujuan studi.fisip. yang berarti bahwa secara bersama p variabel X dapat menjelaskan variabel Y. by : dora.307 .988 . Error Model 1 (Constant) 47. = 47.blog. Para pembaca lebih lanjut dianjurkan untuk membaca SPSS7 Base 9.819)2) berarti bahwa variasi Y yang dapat dijelaskan oleh model sebesar 67 persen. maka pada dua tabel di atas t 2= F. dani.170 1. Secara empirik walaupun misalnya model (3.COEFFICIENTS Unstandardized Coefficients B Std.17 (intercept) = 0.024 Standardized t Coefficients Beta .31 unit untuk setiap perubahan satu unit dari X.uns. karena beta dihitung berdasarkan vaiabel baku Z yang dihitung dengan cara Koefisien determinasi r2 = 0.726 X .337 .0 Application Guide.ac. Selain berguna untuk dapat menjelaskan hubungan p variabel X secara bersama terhadap variabel Y.1) signifikan. regresi baku sebenarnya adalah sama dengan r = koefisien korelasi antara Y dan X. Analisis Regresi Berganda Kalau satu variabel dependen Y perlu dijelaskan oleh lebih dari satu variabel independen X.id/2011/12/ .819 yang merupakan koef.819 Sig. ipeh. dengan analisis regresi ganda juga dapat diperoleh suatu penjelasan tentang peranan atau kontribusi relatif setiap variabel X terhadap variabel Y. arum. Suatu kajian tersendiri perlu dilakukan untuk kemudian dapat memilah variabel X yang berpengaruh secara parsial pada variabel Y.307 (koeffisien regresi) Y akan berubah sebesar 0.1). Model tersebut adalah regresi linier ganda (Multivariate Linear Regression) yang secara umum modelnya seperti pada persamaan (3. Beta=0. tidak berarti bahwa setiap variabel mempunyai pengaruh yang signifikan pada variabel Y.000 Dapat dilihat bahwa karena regresi linier sederhana. n bella UNS sos’10 Posted in dasar-dasar logika | No Comments » http://aldoranuary26.670 (yaitu nilai Beta dikuadratkan atau (0.000 12. Beberapa statistik dan estimasi dari parameter dapat pula diperoleh seperti rata-rata dan standard deviasi serta korelasi dari Y dan X. indah.

Sign up to vote on this title
UsefulNot useful