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.

01 adalah 0. Dengan demikian koefisien korelasi peringkat Spearman berfungsi mirip dengan koefisien korelasi linier (r). bukan nilai sebenarnya. Koefisien korelasi peringkat Spearman (rs) adalah suatu ukuran dari kedekatan hubungan antara dua variabel ordinal. 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.Dr. Harinaldi.01 dengan besar sampel. Digunakan taraf signifikansi 0. 4. Perhitungan koefisien korelasi peringkat Spearman dilakukan melalui tahap-tahap sebagai berikut : 1. Sedangkan nilai korelasi +1.Eng. 3. Dari sampel beberapa anak di kelas Matahari. Kriteria pengujian : . Erlangga : Jakarta. hanya saja yang digunakan adalah nilai-nilai peringkat dari variabel x dan y. Prinsip-prinsip Statistik Untuk Teknik Dan Sains. Penentuan perbedaan peringkat dari pasangan data 3. 2005. skor mereka adalah : Prosedur pengujiannya adalah : 1. perlu diingat bahwa nilai korelasi nol (rs = 0) menunjukkan tidak adanya korelasi. Lihat tabel hargaharga kritis rs Koefisien Korelasi Ranking Spearman. sama halnya seperti koefisien korelasi linear. Penyusunan peringkat dari data 2. Ir.833. Harga kritis rs untuk n = 8 dan alpha 0. 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. Perhitungan koefisien korelasi peringkat Untuk menginterpretasikan nilai koefisien korelasi Spearman. Digunakan uji signifikansi koefisien korelasi rank Spearman. M.0 menunjukkan korelasi yang sempurna.

05 = 0. seperti jenis kelamin. Ir. Harinaldi. Keputusan pengujian = 1 – 504 27 = 1 – 0. Prinsip-prinsip Statistik Untuk Teknik Dan Sains. M. Husaini dan Setiady Akbar. 2001.95) lebih besar dari harga/nilai kritis rs (0. 2003.95 Oleh karena nilai rho observasi (0.833 dan Ho diterima apabila nilai rho observasi < 0. Nilai rho observasi (harga uji statistik rs) : 6 b2 rs = 1 – n (n2 – 1) 6 (4.Eng.833. Purnomo. mungkin sikap terhadap pria maupun wanita kesetaraan.01.833) maka diputuskan Ho ditolak (berarti H1 diterima) pada taraf signifikansi 0. 5. Liberti Yogyakarta : Yogyakarta Usman. adalah terkait dengan variabel lain.5) = 1 – 8 (82 – 1) 6. Erlangga : Jakarta Posted in dasar-dasar logika | Analisis Bivariate Author: aldoranuary26 ANALISIS BIVARIATE Analisis Bivariat adalah analisis secara simultan dari dua variabel. Pengantar Statistika.Ho ditolak apabila nilai rho observasi > 0. Bumi Aksara : Jakarta Dr. Hal ini biasanya dilakukan untuk melihat apakah satu variabel. R. Analisis bivariate terdiri atas metode-metode statistik inferensial yangdigunakan untuk No Comments » . Mengenal Beberapa Uji Statistik Dalam Penelitian. 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. 2005. SE.

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

1. 2. Pembahasan diutamakan pada cara membaca dan menafsirkan arti dari parameter yang diperoleh dari hasil pengolahan data yang terdapat pada output SPSS. Teknik analisis statistik yang dibahas meliputi Analisis Regresi. Jumlah untuk semua variabel korelasi adalah sama. Exclude cases pairwise : Pasangan yang salah satu tidak ada datanya tidak dimasukkan dalam perhitungan. 1. dan Analisis Faktor. 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. Model Logit. .05. jumlah data tiap pasangan korelasi akan bervariasi. Uji chis-quare. Analisis Diskriminan.05 apabila nilai p < dari a=0. Model Log-Linear. Uji korelasi Bivariat ( Product-moment person ) 2.05 maka ada hubungan atau pernedaan antara dua variabel tersebut (Agung 1993). Exclude cases listwise : Yang dibuang adalah kasus yang salah satu variabelnya memiliki mising data. Tabel Kontingensi.    Untuk keseragaman pilih exclude cases pairwise Tekan qontinyue jika sudah selesai Kemudian tekan ok dan akan muncul output Jenis-Jenis Uji Analisis Bivariat 1. baik hubungan antara dua variabel (bivariate) maupun banyak variabel (multivariate). 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. Multiple Classification Analysis (MCA). Akibatnya. Analisis disebut sebagai analisis regresi berganda jika melibatkan lebih dari satu variabel independen. Analisis hubungan antara dua variabel disebut sebagai analisis regresi sederhana jika hanya melibatkan satu variabel independen. 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. kemudian dibandingkan dengan a=0.    Untuk menentukan korelasi ( kuatnya hubungan ) antara variabel-variabel penelitian Jika ada hubungan. dengan tingkat kemaknaan a=0. Hasil yang diperoleh pada analisis chis quare dengan menggunakan program SPSS yaitu nilai p. Analisis Path.

18 1 Residual Total 3185. Residual e mengikuti distribusi normal dengan rata-rata 0 dan varians konstan sebesar s2.0 for Windows untuk subprogram REGRESION. yang pertama perlu diketahui adalah apakah regresi Y pada X bermakna.698 .00 menunjukkan bahwa H0ditolak  regresi Y pada X bermakna. (ii) e tersebar secara acak dan tidak berpola mengikuti besarnya nilai X. Hal ini dapat dilihat pada output ANOVA sebagai berikut: ANOVA Sum of Df Mean F Sig.1) p=1.Hubungan antara variabel dependen (Y) dengan variabel independen (X) dituliskan dalam model linier umum di mana . 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 (3.99 84 Squares 6475.38 Selanjutnya adalah untuk mengetahui besarnya estimate koefisien regresi () serta standard error-nya. (iii) tidak terdapat hubungan (korelasi) yang tinggi antar variabel X. Uji hipotesis untuk mengetahui apakah regresi Y pada X ada.18 168. Dalam output SPSS 9. Analisis Regresi Sederhana Analisis regresi sederhana hanya melibatkan satu variabel independen X. Asumsi dasar dalam analisis regresi adalah (i) setiap Y yang merupakan kombinasi linier atas X dan mengikuti distribusi normal.81 83 9660. i = 1..000 38. jika Xi bertambah satu satuan dan variabel yang lain konstan.……. Squares Model 1 Regresion 6475.2). ini dapat dilihat pada output COEFFICIENTS sebagai berikut: . sehingga dalam persamaan (3. sehingga model liniernya adalah Dengan model seperti pada persamaan (3. adalah intercept.2.2) maka hipotesis yang diajukan untuk diuji adalah H0: b1 = 0 terhadap H1: b 1 ¹ 0. Tabel ANOVA dengan =0.p adalah koefisien regresi yang berarti besarnya perubahan pada .

307 (koeffisien regresi) Y akan berubah sebesar 0. Selain berguna untuk dapat menjelaskan hubungan p variabel X secara bersama terhadap variabel Y.337 . dani. n bella UNS sos’10 Posted in dasar-dasar logika | No Comments » http://aldoranuary26.819 yang merupakan koef. Model tersebut adalah regresi linier ganda (Multivariate Linear Regression) yang secara umum modelnya seperti pada persamaan (3. ipeh. arum.blog. regresi baku sebenarnya adalah sama dengan r = koefisien korelasi antara Y dan X.726 X . = 47. indah.307 .17 (intercept) = 0.170 1.id/2011/12/ .fisip. yang berarti bahwa secara bersama p variabel X dapat menjelaskan variabel Y. Beta=0.uns. tidak berarti bahwa setiap variabel mempunyai pengaruh yang signifikan pada variabel Y.31 unit untuk setiap perubahan satu unit dari X. maka pada dua tabel di atas t 2= F. Beberapa statistik dan estimasi dari parameter dapat pula diperoleh seperti rata-rata dan standard deviasi serta korelasi dari Y dan X.ac. Suatu kajian tersendiri perlu dilakukan untuk kemudian dapat memilah variabel X yang berpengaruh secara parsial pada variabel Y. maka kita perlu membuat model yang sesuai dengan tujuan studi.000 12. Error Model 1 (Constant) 47. karena beta dihitung berdasarkan vaiabel baku Z yang dihitung dengan cara Koefisien determinasi r2 = 0. Secara empirik walaupun misalnya model (3.670 (yaitu nilai Beta dikuadratkan atau (0. dengan analisis regresi ganda juga dapat diperoleh suatu penjelasan tentang peranan atau kontribusi relatif setiap variabel X terhadap variabel Y.000 Dapat dilihat bahwa karena regresi linier sederhana.COEFFICIENTS Unstandardized Coefficients B Std. Para pembaca lebih lanjut dianjurkan untuk membaca SPSS7 Base 9. by : dora.1).819 Sig.024 Standardized t Coefficients Beta .0 Application Guide.988 .819)2) berarti bahwa variasi Y yang dapat dijelaskan oleh model sebesar 67 persen. 27.1) signifikan. Analisis Regresi Berganda Kalau satu variabel dependen Y perlu dijelaskan oleh lebih dari satu variabel independen X.

Master your semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master your semester with Scribd & The New York Times

Cancel anytime.