Data Pribadi Saya

Nama Pemilik: Ig Fandy Jayanto

Alamat Rumah: Seputih Banyak, Kab. Lampung Tengah


Riwayat Pendidikan:

SD N 1 Sumber Baru
SMP N 1 Seputih Banyak
SMA Paramarta 1 {jurusan Ipa 1}
S1 di UM Metro {jurusan FKIP Matematika}

sedang menempuh pendidikan di Universitas Lampung (Unila)

Pekerjaan:
Guru di SMP Paramarta 1 Seputih Banyak
.........
.........
.........


Selasa, 30 Agustus 2011

Pengertian Korelasi2


PENGERTIAN KORELASI


Persoalan pengukuran, atau pengamatan hubungan antara dua peubah X dan Y, berikut ini akan kita bicarakan sesuai dengan referensi yang kami peroleh dalam beberapa literatur. Tulisan ini tentu saja tidak selengkap seperti halnya tulisan tentang Pengertian Korelasi dalam buku Statistika yang ditulis oleh, Ronald E. Walpole, Sugiono, Murray R. Spiegel, atau beberapa Statistikawan yang memang saya kagumi ke-pakar-annya. Akan tetapi setidaknya bisa dijadikan bacaan tambahan bagi mahasiswa yang ingin mengetahui lebih jauh tentang persoalan korelasi atau persoalan-persoalan lain yang berkaitan dengan hubungan antar dua peubah.
Kita tidak akan dan bukan meramalkan nilai Y dari pengetahuan mengenai peubah bebas X seperti dalam regresi linier. Sebagai misal, bila peubah X menyatakan besarnya biaya yang dikeluarkan untuk membeli Pupuk dan Y adalah besarnya hasil Produksi Padi dalam satu kali musim tanam, barangkali akan muncul pertanyaan dalam hati kita apakah penurunan biaya yang dikeluarkan untuk membeli Pupuk juga berpeluang besar untuk diikuti dengan penurunan hasil Produksi Padi dalam satu musim tanam. Dalam studi empiris lain, bila X adalah harga suatu barang yang ditawarkan dan Y adalah jumlah permintaan terhadap barang tersebut yang dibeli oleh konsumen, maka kita membayangkan jika nilai-nilai X yang besar tentu akan berpasangan dengan nilai-nilai Y yang kecil. Dalam hal ini kita tentu saja mempunyai bilangan yang menyatakan proporsi keragaman total nilai-nilai peubah Y yang dapat dijelaskan oleh nilai-nilai peubah X melalui hubungan linear tersebut. Jadi misalkan suatu korelasi memiliki besaran r = 0,36 bermakna bahwa 0,36 atau 36% di antara keragaman total nilai-nilai Y dalam contoh kita, dapat dijelaskan oleh hubungan linearnya dengan nilai-nilai X.
Contoh lainnya adalah, misal koefisien korelasi sebesar 0,80 menunjukkan adanya hubungan linear yang sangat baik antara X dan Y. Karena r2 = 0,64, maka kita dapat mengatakan bahwa 64 % di antara keragaman dalam nilai-nilai Y dapat dijelaskan oleh hubungan linearnya dengan X.
Besaran koefisien korelasi contoh r merupakan sebuah nilai yang dihitung dari n pengamatan sampel. Sampel acak berukuran n yang lain tetapi diambil dari populasi yang sama biasanya akan menghasilkan nilai r yang berbeda pula. Dengan demikian kita dapat memandang r sebagai suatu nilai dugaan bagi koefisien korelasi linear yang sesungguhnya berlaku bagi seluruh anggota populasi. Misalkan kita lambangkan koefisien korelasi populasi ini dengan ρ. Bila r dekat dengan nol, kita cenderung menyimpulkan bahwa ρ = 0. Akan tetapi, suatu nilai contoh r yang mendekati + 1 atau – 1 menyarankan kepada kita untuk menyimpulkan bahwa ρ ≠ 0. Masalahnya sekarang adalah bagaimana memperoleh suatu peng-uji-an yang akan mengatakan kepada kita kapan r akan berada cukup jauh dari suatu nilai tertentu ρo, agar kita mempunyai cukup alasan untuk menolak hipotesis nol (Ho) bahwa ρ = ρo, dan menerima alternatifnya. Hipotesis alternatif bagi H1 biasanya salah satu di antara ρ < ρo, ρ > ρo, atau ρ ≠ ρo.
  1. J Supranto, Statistika, Teori Dan Aplikasi, Penerbit Erlangga, Jakarta, 1987.
  2. Riduan, Dasar-dasar Statistika, Penerbit ALFABETA, Bandung, 2005.
  3. Ronald E. Walpole, Pengantar Statistika, Edisi ke-3, Penerbit PT. Gramedia Pustaka Utama, Jakarta, 1992.
  4. Murray R. Spiegel, Seri Buku Schaum, Teori dan Soal, Statistika, Edisi Kedua. Alih Bahasa oleh Drs. I Nyoman Susila, M.Sc. dan Ellen Gunawan, M.M., Penerbit Erlangga, 1988..

KORELASI LINEAR
Koefisien korelasi yang akan kita bicarakan berikut ini sebenarnya sudah banyak dibahas oleh banyak penulis. Model hubungan itu dilakukan terhadap paling tidak terhadap enam model hubungan antar dua atau lebih variabel yang bisa di identifikasi berdasarkan jenis variabelnya yakni:
1) hubungan (korelasi) variabel nominal dengan variabel nominal;
2) hubungan (korelasi) variabel nominal dengan ordinal;
3) hubungan (korelasi) variabel nominal dengan interval;
4) hubungan (korelasi) variabel ordinal dengan ordinal;
5) hubungan (korelasi) variabel ordinal dengan interval; dan
6) hubungan (korelasi) variabel interval dengan interval.
Besaran yang diperoleh biasanya berada pada kisaran - 1 sampai dengan 0, dan 0 sampai dengan + 1. Atau antara - 1 dan +1. Atau dengan kata lain bahwa besaran koefisien korelasi memiliki sifat hubungan satu arah dan sifat yang lain, yakni berlawanan arah.
Dalam statistika, besaran korelasi antara dua peubah yang dikorelasikan secara garis besar mengandung tiga makna, yakni:
1) ada atau tidaknya korelasi antar peubah;
2) arah korelasi antar peubah, dan;
3) besarnya korelasi antar peubah.
Ada atau tidaknya korelasi antar peubah ditunjukkan oleh besarnya angka yang terdapat dibelakang koma, karena besaran korelasi akan berada diantara -1 dan +1. Jika besaran korelasi itu terlalu kecil misalnya sampai dengan tiga angka dibelakang koma, misalnya 0,005, maka dapat dianggap bahwa antara peubah X dengan peubah Y memiliki korelasi yang relatif sangat kecil, sehingga bisa abaikan.
Arah korelasi yang ditengarai dengan tanda positif (+) dan negatif (-), yakni arah yang menunjukkan kesejajaran antara nilai peubah X dengan nilai peubah Y. Arah besaran korelasi ini ditunjukkan oleh tanda yang ada didepan besaran korelasi. Bila tanda besaran korelasi memiliki tanda (+), maka arah korelasinya positif. Sedangkan bila memiliki tanda negatif (-) maka arah korelasinya negatif.
Besarnya koefisien korelasi adalah besarnya angka yang menunjukkan kuat atau tidaknya hubungan antara dua peubah yang diukur dengan menggunakan korelasi. Untuk menentukan besarnya kekuatan hubungan (korelasi) itu tidak perlu memperhatikan tanda postitif dan negatif yang terdapat di depan koefisien korelasi. Bilangan yang mendekati 1 atau mendekati - 1, berarti hubungan antar peubah bisa dinyatakan kuat, akan tetapi memiliki arah positif atau negatif.

Dalam korelasi linear, besaran korelasi antara dua peubah adalah suatu ukuran hubungan linear antara kedua peubah itu, sehingga bila nilai r = 0, bukan berarti dan berimplikasi tidak ada hubungan antara kedua peubah itu, dan pasti tidak memiliki hubungan. Akan tetapi bisa saja antara X dan Y terdapat suatu hubungan yang lain, misalnya kuadratik yang kuat, dan kita tetap akan memperoleh korelasi nol, meskipun terdapat hubungan tidak linear yang kuat antara kedua peubah tersebut.


Sumber :
  1. Sambas Ali Muhidin, S.Pd., M.Si., dan Drs. Maman Abdurahman, M.Pd., 2007, Analisis Korelasi, Regresi, dan Jalur Dalam Penelitian (Dilengkapi Aplikasi Program SPSS), Penerbit Pustaka Setia Bandung.
  2. Ronald E. Walpole, 1992, Pengantar Statistika, Edisi ke-3, Penerbit PT. Gramedia Pustaka Utama, Jakarta.

PENGERTIAN DAN JENIS DATA NOMINAL, ORDINAL, INTERVAL DAN RATIO


DATA NOMINAL, ORDINAL, INTERVAL DAN DATA RATIO

A. Pendahuluan

Beberapa ahli berpendapat bahwa pelaksanaan penelitian dengan menggunakan metode ilmiah diantaranya adalah melakukan langkah-langkah sistematis. Metode ilmiah adalah merupakan pengejaran terhadap kebenaran relatif yang diatur oleh pertimbangan-pertimbangan logis. Karena keberadaan dari ilmu itu adalah untuk memperoleh interelasi yang sistematis dari fakta-fakta, maka metode ilmiah berkehendak untuk mencari jawaban tentang fakta-fakta dengan menggunakan pendekatan kesangsian sistematis. Karenanya, penelitian dan metode ilmiah, jika tidak dikatakan sama, mempunyai hubungan yang relatif dekat. Karena dengan adanya metode ilmiah, pertanyaan-pertanyaan dalam mencari dalil umum, akan mudah dijawab.

Menuruti Schluter (Moh Nazir, 2006), langkah penting sebelum sampai tahapan analisis data dan penentuan model adalah ketika kita melakukan pengumpulan dan manipulasi data sehingga bisa digunakan bagi keperluan pengujian hipotesis. Mengadakan manipulasi data berarti mengubah data mentah dari awal menjadi suatu bentuk yang dapat dengan mudah memperlihatkan hubungan-hubungan antar fenomena. Kelaziman kuantifikasi sebaiknya dilakukan kecuali bagi atribut-atribut yang tidak dapat dilakukan. Dan dari kuantifikasi data itu, penentuan mana yang dikatakan data nominal, ordinal, interval dan ratio bisa dilakukan demi memasuki wilayah penentuan model.

Pada ilmu-ilmu sosial yang telah lebih berkembang, melakukan analisis berdasarkan pada kerangka hipotesis dilakukan dengan membuat model matematis untuk membangun refleksi hubungan antar fenomena yang secara implisit sudah dilakukan dalam rumusan hipotesis. Analisis data merupakan bagian yang amat penting dalam metode ilmiah. Data bisa memiliki makna setelah dilakukan analisis dengan menggunakan model yang lazim digunakan dan sudah diuji secara ilmiah meskipun memiliki peluang menggunakan alat analisis lain. Akan tetapi masing-masing model, jika ditelaah satu demi satu, sebenarnya hanya sebagian saja yang bisa digunakan untuk kondisi dan data tertentu. Ia tidak bisa digunakan untuk menganalisis data jika model yang digunakan kurang sesuai dengan bagaimana kita memperoleh data jika menggunakan instrumen. Timbangan tidak bisa digunakan untuk mengukur tinggi badan seseorang. Sebaliknya meteran tidak bisa digunakan untuk mengukur berat badan seseorang. Karena masing-masing instrumen memiliki kegunaan masing-masing.

Dalam hal ini, tentu saja kita tidak ingin menggunakan model analisis hanya semata-mata karena menuruti selera dan kepentingan. Suatu model hanya lazim digunakan setelah kita mempertimbangkan kondisi bagaimana data dikumpulkan. Karena dalam teori, alat analisis model adalah alat yang tidak bisa digunakan dalam kondisi yang tidak sesuai dengan pertimbangan-pertimbangan logis. Ia memang bisa digunakan untuk menghitung secara matematis, akan tetapi tidak dalam teori. Banyaknya konsumsi makanan tentu memiliki hubungan dengan berat badan seseorang. Akan tetapi banyaknya konsumsi makanan penduduk pulau Nias, tidak akan pernah memiliki hubungan dengan berat badan penduduk Kalimantan. Motivasi kerja sebuah perusahaan makanan ringan, tidak akan memiliki hubungan dengan produktivitas petani Sawit. Model analisis statistik hanya bisa digunakan jika data yang diperoleh memiliki syarat-syarat tertentu. Salah satu diantaranya adalah masing-masing variabel tidak memiliki hubungan linier yang eksak. Data yang kita peroleh melalui instrumen pengumpul data itu bisa dianalisis dengan menggunakan model tanpa melanggar kelaziman.

Bagi keperluan analisis penelitian ilmu-ilmu sosial, teknik mengurutkan sesuatu ke dalam skala itu artinya begitu penting mengingat sebagian data dalam ilmu-ilmu sosial mempunyai sifat kualitatif. Atribut saja sebagai objek penelitian selain kurang representatif bagi peneliti, juga sebagian orang saat ini menginginkan gradasi yang lebih baik bagi objek penelitian. Orang selain kurang begitu puas dengan atribut baik atau buruk, setuju atau tidak setuju, tetapi juga menginginkan sesuatu yang berada diantara baik dan buruk atau diantara setuju dan tidak setuju. Karena gradasi, merupakan kelaziman yang diminta bagi sebagian orang bisa menguak secara detail objek penelitian. Semakin banyak gradasi yang dibuat dalam instrumen penelitian, hasilnya akan makin representatif.

Menuruti Moh. Nazir (2006), teknik membuat skala adalah cara mengubah fakta-fakta kualitatif (atribut) menjadi suatu urutan kuantitatif (variabel). Mengubah fakta-fakta kualitatif menjadi urutan kuantitatif itu telah menjadi satu kelaziman paling tidak bagi sebagian besar orang, karena berbagai alasan. Pertama, eksistensi matematika sebagai alat yang lebih cenderung digunakan oleh ilmu-ilmu pengetahuan sehingga bisa mengundang kuantitatif variabel. Kedua, ilmu pengetahuan, disamping akurasi data, semakin meminta presisi yang lebih baik, lebih-lebih dalam mengukur gradasi. Karena perlunya presisi, maka kita belum tentu puas dengan atribut baik atau buruk saja. Sebagian peneliti ingin mengukur sifat-sifat yang ada antara baik dan buruk tersebut, sehingga diperoleh suatu skala gradasi yang jelas.

B. Pembahasan

a. Data nominal
Sebelum kita membicarakan bagaimana alat analisis data digunakan, berikut ini akan diberikan ulasan tentang bagaimana sebenarnya data nominal yang sering digunakan dalam statistik nonparametrik bagi mahasiswa. Menuruti Moh. Nazir, data nominal adalah ukuran yang paling sederhana, dimana angka yang diberikan kepada objek mempunyai arti sebagai label saja, dan tidak menunjukkan tingkatan apapun. Ciri-ciri data nominal adalah hanya memiliki atribut, atau nama, atau diskrit. Data nominal merupakan data kontinum dan tidak memiliki urutan. Bila objek dikelompokkan ke dalam set-set, dan kepada semua anggota set diberikan angka, set-set tersebut tidak boleh tumpang tindih dan bersisa. Misalnya tentang jenis olah raga yakni tenis, basket dan renang. Kemudian masing-masing anggota set di atas kita berikan angka, misalnya tenis (1), basket (2) dan renang (3). Jelas kelihatan bahwa angka yang diberikan tidak menunjukkan bahwa tingkat olah raga basket lebih tinggi dari tenis ataupun tingkat renang lebih tinggi dari tenis. Angka tersebut tidak memberikan arti apa-apa jika ditambahkan. Angka yang diberikan hanya berfungsi sebagai label saja. Begitu juga tentang suku, yakni Dayak, Bugis dan Badui. Tentang partai, misalnya Partai Bulan, Partai Bintang dan Partai Matahari. Masing-masing kategori tidak dinyatakan lebih tinggi dari atribut (nama) yang lain. Seseorang yang pergi ke Jakarta, tidak akan pernah mengatakan dua setengah kali, atau tiga seperempat kali. Tetapi akan mengatakan dua kali, lima kali, atau tujuh kali. Begitu juga tentang ukuran jumlah anak dalam suatu keluarga. Numerik yang dihasilkan akan selalu berbentuk bilangan bulat, demikian seterusnya. Tidak akan pernah ada bilangan pecahan. Data nominal ini diperoleh dari hasil pengukuran dengan skala nominal. Menuruti Sugiono, alat analisis (uji hipotesis asosiatif) statistik nonparametrik yang digunakan untuk data nominal adalah Coefisien Contingensi. Akan tetapi karena pengujian hipotesis Coefisien Contingensi memerlukan rumus Chi Square (χ2), perhitungannya dilakukan setelah kita menghitung Chi Square. Penggunaan model statistik nonparametrik selain Coefisien Contingensi tidak lazim dilakukan.

b. Data ordinal
Bagian lain dari data kontinum adalah data ordinal. Data ini, selain memiliki nama (atribut), juga memiliki peringkat atau urutan. Angka yang diberikan mengandung tingkatan. Ia digunakan untuk mengurutkan objek dari yang paling rendah sampai yang paling tinggi, atau sebaliknya. Ukuran ini tidak memberikan nilai absolut terhadap objek, tetapi hanya memberikan peringkat saja. Jika kita memiliki sebuah set objek yang dinomori, dari 1 sampai n, misalnya peringkat 1, 2, 3, 4, 5 dan seterusnya, bila dinyatakan dalam skala, maka jarak antara data yang satu dengan lainnya tidak sama. Ia akan memiliki urutan mulai dari yang paling tinggi sampai paling rendah. Atau paling baik sampai ke yang paling buruk. Misalnya dalam skala Likert (Moh Nazir), mulai dari sangat setuju, setuju, ragu-ragu, tidak setuju sampai sangat tidak setuju. Atau jawaban pertanyaan tentang kecenderungan masyarakat untuk menghadiri rapat umum pemilihan kepala daerah, mulai dari tidak pernah absen menghadiri, dengan kode 5, kadang-kadang saja menghadiri, dengan kode 4, kurang menghadiri, dengan kode 3, tidak pernah menghadiri, dengan kode 2 sampai tidak ingin menghadiri sama sekali, dengan kode 1. Dari hasil pengukuran dengan menggunakan skala ordinal ini akan diperoleh data ordinal. Alat analisis (uji hipotesis asosiatif) statistik nonparametrik yang lazim digunakan untuk data ordinal adalah Spearman Rank Correlation dan Kendall Tau.

c. Data interval
Pemberian angka kepada set dari objek yang mempunyai sifat-sifat ukuran ordinal dan ditambah satu sifat lain, yakni jarak yang sama pada pengukuran dinamakan data interval. Data ini memperlihatkan jarak yang sama dari ciri atau sifat objek yang diukur. Akan tetapi ukuran interval tidak memberikan jumlah absolut dari objek yang diukur. Data yang diperoleh dari hasil pengukuran menggunakan skala interval dinamakan data interval. Misalnya tentang nilai ujian 6 orang mahasiswa, yakni A, B, C, D, E dan F diukur dengan ukuran interval pada skala prestasi dengan ukuran 1, 2, 3, 4, 5 dan 6, maka dapat dikatakan bahwa beda prestasi antara mahasiswa C dan A adalah 3 – 1 = 2. Beda prestasi antara mahasiswa C dan F adalah 6 – 3 = 3. Akan tetapi tidak bisa dikatakan bahwa prestasi mahasiswa E adalah 5 kali prestasi mahasiswa A ataupun prestasi mahasiswa F adalah 3 kali lebih baik dari prestasi mahasiswa B. Dari hasil pengukuran dengan menggunakan skala interval ini akan diperoleh data interval. Alat analisis (uji hipotesis asosiatif) statistik parametrik yang lazim digunakan untuk data interval ini adalah Pearson Korelasi Product Moment, Partial Correlation, Multiple Correlation, Partial Regression, dan Multiple Regression.

d. Data ratio
Ukuran yang meliputi semua ukuran di atas ditambah dengan satu sifat yang lain, yakni ukuran yang memberikan keterangan tentang nilai absolut dari objek yang diukur dinamakan ukuran ratio (data rasio). Data ratio, yang diperoleh melalui mengukuran dengan skala rasio memiliki titik nol. Karenanya, interval jarak tidak dinyatakan dengan beda angka rata-rata satu kelompok dibandingkan dengan titik nol di atas. Oleh karena ada titik nol, maka data ratio dapat dibuat perkalian ataupun pembagian. Angka pada data ratio dapat menunjukkan nilai sebenarnya dari objek yang diukur. Jika ada 4 orang pengemudi, A, B, C dan D mempunyai pendapatan masing-masing perhari Rp. 10.000, Rp.30.000, Rp. 40.000 dan Rp. 50.000. Bila dilihat dengan ukuran rasio maka pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. Pendapatan pengemudi D adalah 5 kali pendapatan pengemudi A. Pendapatan pengemudi C adalah 4/3 kali pendapatan pengemudi B. Dengan kata lain, rasio antara pengemudi C dan A adalah 4 : 1, rasio antara pengemudi D dan A adalah 5 : 1, sedangkan rasio antara pengemudi C dan B adalah 4 : 3. Interval pendapatan pengemudi A dan C adalah 30.000, dan pendapatan pengemudi C adalah 4 kali pendapatan pengemudi A. Contoh data rasio lainnya adalah berat badan bayi yang diukur dengan skala rasio. Bayi A memiliki berat 3 Kg. Bayi B memiliki berat 2 Kg dan bayi C memiliki berat 1 Kg. Jika diukur dengan skala rasio, maka bayi A memiliki rasio berat badan 3 kali dari berat badan bayi C. Bayi B memiliki rasio berat badan dua kali dari berat badan bayi C, dan bayi C memiliki rasio berat badan sepertiga kali berat badan bayi A, dst. Dari hasil pengukuran dengan menggunakan skala rasio ini akan diperoleh data rasio. Alat analisis (uji hipotesis asosiatif) yang digunakan adalah statistik parametrik dan yang lazim digunakan untuk data ratio ini adalah Pearson Korelasi Product Moment, Partial Correlation, Multiple Correlation, Partial Regression, dan Multiple Regression.

Sesuai dengan ulasan jenis pengukuran yang digunakan, maka variabel penelitian lazimnya bisa di bagi menjadi 4 jenis variabel, yakni variabel nominal, variabel ordinal, variabel interval, dan variabel ratio. Variabel nominal, yaitu variabel yang dikategorikan secara diskrit dan saling terpisah satu sama lain, misalnya status perkawinan, jenis kelamin, suku bangsa, profesi pekerjaan seseorang dan sebagainya. Variabel ordinal adalah variabel yang disusun atas dasar peringkat, seperti motivasi seseorang untuk bekerja, peringkat perlombaan catur, peringkat tingkat kesukaran suatu pekerjaan dan lain-lain. Variabel interval adalah variabel yang diukur dengan ukuran interval seperti indek prestasi mahasiswa, skala termometer dan sebagainya, sedangkan variabel rasio adalah variabel yang disusun dengan ukuran ratio seperti tingkat penganggguran, penghasilan, berat badan, dan sebagainya.

e. Konversi variabel ordinal
Adakalanya kita tidak ingin menguji hipotesis dengan alat uji hipotesis statistik nonparametrik dengan berbagai pertimbangan, baik dari segi biaya, waktu maupun dasar teori. Misalnya kita ingin melakukan uji statistik parametrik Pearson Korelasi Product Moment, Partial Correlation, Multiple Correlation, Partial Regresion dan Multiple Regression, padahal data yang kita miliki adalah hasil pengukuran dengan skala ordinal, sedangkan persyaratan penggunaan statistik parametrik adalah selain data harus berbentuk interval atau ratio, data harus memiliki distribusi normal. Jika kita tidak ingin melakukan uji normalitas karena data yang kita miliki adalah data ordinal, hal itu bisa saja kita lakukan dengan cara menaikkan data dari pengukuran skala ordinal menjadi data dalam skala interval dengan metode Suksesive Interval..

Menuruti Al-Rasyid, menaikkan data dari skala ordinal menjadi skala interval dinamakan transformasi data. Transformasi data itu dilakukan diantaranya adalah dengan menggunakan Metode Suksesive Interval (MSI). Tujuan dari dilakukannya transformasi data adalah untuk menaikkan data dari skala pengukuran ordinal menjadi skala dengan pengukuran interval yang lazim digunakan bagi kepentingan analisis statistik parametrik. Transformasi data ordinal menjadi interval itu, selain merupakan suatu kelaziman, juga untuk mengubah data agar memiliki sebaran normal. Artinya, setelah dilakukan transformasi data dari ordinal menjadi interval, penggunaan model dalam suatu penelitian tidak perlu melakukan uji normalitas. Karena salah satu syarat penggunaan statistik parametrik, selain data harus memiliki skala interval (dan ratio), data juga harus memiliki distribusi (sebaran) normal. Dengan dilakukannya transformasi data, diharapkan data ordinal sudah menjadi data interval dan memiliki sebaran normal yang langsung bisa dilakukan analisis dengan statistik parametrik. Berbeda dengan ststistik nonparametrik, ia hanya digunakan untuk mengukur distribusi. (Ronald E. Walpole).



DAFTAR PUSTAKA

  1. Al-Rasyid, H. Teknik Penarikan Sampel dan Penyusunan Skala. Pascasarjana UNPAD, Bandung, 1994.
  2. Anita Kesumahati, Skripsi, PS Matematika, Unila, Penggunaan Korelasi Polikhorik dan Pearson untuk Variabel Ordinal Dalam Model Persamaan Struktural, 2005.
  3. Hays, W. L., 1976. Quantification in Psychology, Prentice Hall. New Delhi
  4. J.T. Roscoe, Fundamental Research Statistic for the Behavioral Sciences, Hol, Rinehart and Winston, Inc., New York, 1969
  5. J Supranto, Statistik, Teori Dan Aplikasi, Edisi Kelima, Penerbit Erlangga, Jakarta, 1987
  6. Moh. Nazir, Ph.D. Metode Penelitian, Penerbit Ghalia Indonesia, Jakarta, 2003.
  7. Ronald E Walpole, Pengantar Statistika, Edisi ke-3, Penerbit PT Gramedia Pustaka Utama, Jakarta, 1992.
  8. Riduan, Dasar-dasar Statistika, Penerbit ALFABETA Bandung, 2005.
  9. Sugiono, Prof. Dr., Statistika Nonparametrik Untuk Penelitian, Penerbit CV ALFABETA, Bandung, 2004.
  10. Wijayanto, Structural Equation Modeling dengan LISREL 8.5. Pascasarjana
    FE-UI, Jakarta, 2003.
  11. Zaenal Mustafa El Qodri, Pengantar Statistika, Bagian Penerbitan Fakultas Ekokomi Universitas Islam Indonesia, Yogyakarta, 1995

PENGERTIAN KORELASI


PENGERTIAN KORELASI


Persoalan pengukuran, atau pengamatan hubungan antara dua peubah X dan Y, berikut ini akan kita bicarakan sesuai dengan referensi yang kami peroleh dalam beberapa literatur. Tulisan ini tentu saja tidak selengkap seperti halnya tulisan tentang Pengertian Korelasi dalam buku Statistika yang ditulis oleh, Ronald E. Walpole, Sugiono, Murray R. Spiegel, atau beberapa Statistikawan yang memang saya kagumi ke-pakar-annya. Akan tetapi setidaknya bisa dijadikan bacaan tambahan bagi mahasiswa yang ingin mengetahui lebih jauh tentang persoalan korelasi atau persoalan-persoalan lain yang berkaitan dengan hubungan antar dua peubah.
Kita tidak akan dan bukan meramalkan nilai Y dari pengetahuan mengenai peubah bebas X seperti dalam regresi linier. Sebagai misal, bila peubah X menyatakan besarnya biaya yang dikeluarkan untuk membeli Pupuk dan Y adalah besarnya hasil Produksi Padi dalam satu kali musim tanam, barangkali akan muncul pertanyaan dalam hati kita apakah penurunan biaya yang dikeluarkan untuk membeli Pupuk juga berpeluang besar untuk diikuti dengan penurunan hasil Produksi Padi dalam satu musim tanam. Dalam studi empiris lain, bila X adalah harga suatu barang yang ditawarkan dan Y adalah jumlah permintaan terhadap barang tersebut yang dibeli oleh konsumen, maka kita membayangkan jika nilai-nilai X yang besar tentu akan berpasangan dengan nilai-nilai Y yang kecil. Dalam hal ini kita tentu saja mempunyai bilangan yang menyatakan proporsi keragaman total nilai-nilai peubah Y yang dapat dijelaskan oleh nilai-nilai peubah X melalui hubungan linear tersebut. Jadi misalkan suatu korelasi memiliki besaran r = 0,36 bermakna bahwa 0,36 atau 36% di antara keragaman total nilai-nilai Y dalam contoh kita, dapat dijelaskan oleh hubungan linearnya dengan nilai-nilai X.
Contoh lainnya adalah, misal koefisien korelasi sebesar 0,80 menunjukkan adanya hubungan linear yang sangat baik antara X dan Y. Karena r2 = 0,64, maka kita dapat mengatakan bahwa 64 % di antara keragaman dalam nilai-nilai Y dapat dijelaskan oleh hubungan linearnya dengan X.
Besaran koefisien korelasi contoh r merupakan sebuah nilai yang dihitung dari n pengamatan sampel. Sampel acak berukuran n yang lain tetapi diambil dari populasi yang sama biasanya akan menghasilkan nilai r yang berbeda pula. Dengan demikian kita dapat memandang r sebagai suatu nilai dugaan bagi koefisien korelasi linear yang sesungguhnya berlaku bagi seluruh anggota populasi. Misalkan kita lambangkan koefisien korelasi populasi ini dengan ρ. Bila r dekat dengan nol, kita cenderung menyimpulkan bahwa ρ = 0. Akan tetapi, suatu nilai contoh r yang mendekati + 1 atau – 1 menyarankan kepada kita untuk menyimpulkan bahwa ρ ≠ 0. Masalahnya sekarang adalah bagaimana memperoleh suatu peng-uji-an yang akan mengatakan kepada kita kapan r akan berada cukup jauh dari suatu nilai tertentu ρo, agar kita mempunyai cukup alasan untuk menolak hipotesis nol (Ho) bahwa ρ = ρo, dan menerima alternatifnya. Hipotesis alternatif bagi H1 biasanya salah satu di antara ρ < ρo, ρ > ρo, atau ρ ≠ ρo.