Langsung ke konten utama

KORELASI

A. Pengertian Korelasi

Secara sederhana, korelasi dapat diartikan sebagai hubungan. Namun ketika dikembangkan lebih jauh, korelasi tidak hanya dapat dipahami sebatas pengertian tersebut. Korelasi merupakan salah satu teknik analisis dalam statistik yang digunakan untuk mencari hubungan antara dua variabel yang bersifat kuantitatif. Hubungan dua variabel tersebut dapat terjadi karena adanya hubungan sebab akibat atau dapat pula terjadi karena kebetulan saja. Dua variabel dikatakan berkolerasi apabila perubahan pada variabel yang satu akan diikuti perubahan pada variabel yang lain secara teratur dengan arah yang sama (korelasi positif) atau berlawanan (korelasi negatif).  Kekuatan Hubungan antara 2 Variabel biasanya disebut dengan Koefisien Korelasi dan dilambangkan dengan symbol “r”. Nilai Koefisian r akan selalu berada di antara -1 sampai +1.

Perlu diingat :
Koefisien Korelasi akan selalu berada di dalam Range -1 ≤ r ≤ +1
Jika ditemukan perhitungan diluar Range tersebut, berarti  telah terjadi kesalahan perhitungan dan harus di koreksi terhadap perhitungan tersebut.

Pola / Bentuk Hubungan antara 2 variabel :

1. Korelasi Linear Positif (+1)

Perubahan salah satu Nilai Variabel diikuti perubahan Nilai Variabel yang lainnya secara teratur dengan arah yang sama. Jika Nilai Variabel X mengalami kenaikan, maka Variabel Y akan ikut naik. Jika Nilai Variabel X mengalami penurunan, maka Variabel Y akan ikut turun.
Apabila Nilai Koefisien Korelasi mendekati +1 (positif Satu) berarti pasangan data Variabel X dan Variabel Y memiliki Korelasi Linear Positif yang kuat/Erat.

2. Korelasi Linear Negatif (-1)

Perubahan salah satu Nilai Variabel diikuti perubahan Nilai Variabel yang lainnya secara teratur dengan arah yang berlawanan. Jika Nilai Variabel X mengalami kenaikan, maka Variabel Y akan turun. Jika Nilai Variabel X mengalami penurunan, maka Nilai Variabel Y akan naik.
Apabila Nilai Koefisien Korelasi mendekati -1 (Negatif Satu) maka hal ini menunjukan pasangan data Variabel X dan Variabel Y memiliki Korelasi Linear Negatif yang kuat/erat.

3. Tidak berkorelasi (0)

Kenaikan Nilai Variabel yang satunya kadang-kadang  diikut dengan penurunan Variabel lainnya atau kadang-kadang diikuti dengan kenaikan Variable yang lainnya. Arah hubungannya tidak teratur, kadang-kadang searah, kadang-kadang berlawanan.
Apabila Nilai Koefisien Korelasi mendekati 0 (Nol) berarti pasangan data Variabel X dan Variabel Y memiliki korelasi yang sangat lemah atau berkemungkinan tidak berkorelasi.

 

Tabel Pedoman Kriteria Korelasi :

B. Contoh Korelasi

1. Korelasi Positif

Contoh :
Korelasi dalam intensitas belajar pelajar dengan tingkat prestasi pelajar tersebut. Dalam hubungan kedua variable di atas, semakin banyak intensitas belajar pelajar aka n berpengaruh dalam prestasi pelajar. Orang yang rajin belajar tentunya akan lebih baik dibandingkan orang yang malas belajar. Korelasi antara intesitas belajar berbanding lurus dengan prestasinya.

Macam-macam korelasi positif :
  1. Korelasi positif maksimal atau korelasi positif tertinggi yaitu jika pencaran titik yang terdapat pada peta korelasi apabila dihubungkan antara satu dengan yang lain, akan membentuk satu garis lurus yang condong ke arah kanan.
  2. Korelasi positif tinggi atau kuat yaitu jika pencaran titik yang terdapat pada peta korelasi sedikit atau beberapa mulai menjauhi garis lurus, terpencar atau berada di sekitar garis lurus tersebut dengan kecondongan ke arah kanan.
  3. Korelasi positif rendah atau korelasi positif kecil yaitu jika pencaran titik yang terdapat pada peta korelasi semakin jauh terpencar atau menyebar menjauhi garis lurus dengan kecondongan ke arah kanan.

 2. Korelasi Negatif

Contoh :

Kita bisa menggunakan nilai dan tingkat ketidakhadiran  siswa sebagai contoh dalam korelasi negatif . semakin tinggi tingkat ketidakhadiran siswa dikelas, maka nilai yang diperoleh cenderung semakin rendah. Hubungan ini disebut korelasi negatif karena kedua variabel mengalami perubahan ke arah yang berlawanan, yakni dengan meningkatnya ketidakhadiran, maka nilai siswa justru menurun.
Macam-macam korelasi negatif :
  1. Korelasi negatif maksimal atau korelasi negatif sempurna yaitu jika pencaran titik yang terdapat pada peta korelasi apabila dihubungkan antara satu dengan yang lain, akan membentuk satu garis lurus yang condong ke arah kiri.
  2. Korelasi negatif tinggi atau kuat yaitu jika pencaran titik yang terdapat pada peta korelasi sedikit atau beberapa mulai menjauhi garis lurus, terpencar atau berada di sekitar garis lurus tersebut dengan kecondongan ke arah kiri.
  3. Korelasi negatif rendah atau korelasi negatif kecil yaitu jika pencaran titik yang terdapat pada peta korelasi semakin jauh terpencar atau menyebar menjauhi garis lurus dengan kecondongan ke arah kiri.

 C. Rumus Korelasi

1. Rumus Pearson Product Moment

Koefisien Korelasi Sederhana disebut juga dengan Koefisien Korelasi Pearson karena rumus perhitungan Koefisien korelasi sederhana ini dikemukakan oleh Karl Pearson yaitu seorang ahli Matematika yang berasal dari Inggris.
Rumus yang dipergunakan untuk menghitung Koefisien Korelasi Sederhana adalah sebagai berikut :
(Rumus ini disebut juga dengan Pearson Product Moment)

r =               nΣxy – (Σx) (Σy)                    
.         √{nΣx² – (Σx)²} {nΣy2 – (Σy)2}

Dimana :
n    = Banyaknya Pasangan data X dan Y
Σx = Total Jumlah dari Variabel X
Σy = Total Jumlah dari Variabel Y
Σx2= Kuadrat dari Total Jumlah Variabel X
Σy2= Kuadrat dari Total Jumlah Variabel Y
Σxy= Hasil Perkalian dari Total Jumlah Variabel X dan Variabel Y

2. Korelasi Ganda

Korelasi pada (multyple correlation) merupakan angka yang menunjukkan arah dan kuatnya hubungan antara dua variabel secara bersama-sama atau lebih dengan variabel yang lain.

Rumus korelasi ganda dua variabel ditunjukkan pada rumus berikut :

 
dimana :

Ry.x1x2 = korelasi ganda antara variabel X1 dan X2 secara bersama-sama dengan variabel Y
ryx1        = korelasi product moment X1 dengan Y
ryx2        = korelasi product moment X2 dengan Y
rx1x2      = korelasi product moment X1 dengan X2
Jadi untuk dapat menghitung korelasi ganda, maka harus dihitung terlebih dahulu korelasi sederhananya dulu melalui korelasi product momet pearson.
3. Korelasi Parsial 
Korelasi parsial adalah suatu metode pengukuran keeratan hubungan (korelasi) antara variabel bebas dan variabel tak bebas dengan mengontrol salah satu variabel bebas untuk melihat korelasi natural antara variabel yang tidak terkontrol. analisis korelasi parsial melibatkan dua variabel. 
  

D. Contoh Kasus Analisis Korelasi Sederhana
Tabel berikut adalah hasil observasi terhadap sampel acak yang terdiri dari 7 desa di kota Cikarang mengenai pendapatan dan pengeluaran kesehatan penduduk
 penyelesaian :

Rumus korelasi sederhana

r =               nΣxy – (Σx) (Σy)                    
.         √{nΣx² – (Σx)²} {nΣy2 – (Σy)2}


r =               7(163) – (40) (26)                    
.         √{7(244) – (40)²} {7(116) – (26)2}

r =               1141 – 1040                   
.         √{1708 - 1600} {812 - 676}

r =               101         
.         √{108} {136}

r =        101        
.         √14688

r =           101            
.         121,1940593

r =   0,833

Jadi, jenis korelasi antara pendapatan dan pengeluaran kesehatan penduduk termasuk dalam jenis korelasi positif dengan tingkat keeratan yang kuat.



 Referensi
 

Komentar

Posting Komentar

Postingan populer dari blog ini

Interpolation search

- INTERPOLATION SEARCH -  Proses pencarian interpolasi ( interpolation search ) hampir sama dengan proses pencarian d binary search , dimana pencarian juga dilakukan pada kumpulan data yang sudah urut. Akan tetapi jika pada binary search data dibagi menjadi dua bagian tiap prosesnya. Contoh pencarian dengan metode ini misalnya pencarian nomer telpon pada daftar phonebook . Misalnya nama data yang dicari berawalan huruf R, maka pencariannya tidak akan dilakukan dari awal, namun langsung membuka 2/3 atau 3/4 dari tebal buku.Jadi , data yang dicari relatif terhadap jumlah data. Secara umum jika dirumuskan, posisi kunci pencarian interpolasi relatif ini adalah: – Jika data[posisi] > data yg dicari, high = pos – 1 – Jika data[posisi] < data yg dicari, high = pos + 1 Teknik ini dilakukan pada data yang sudah terurut berdasarkan kunci tertentu yang dilakukan dengan perkiraan letak data. Algoritma interpolation sort 1. Masukan jumlah data 2. i...
Posting Komentar
Baca selengkapnya

Bubble Sort dan Insertion Sort

- Bubble Sort - Bubble sort merupakan metode pengurutan data dengan cara membandingkan masing-masing elemen, kemudian melakukan pertukaran sekiranya perlu, artinya proses pertukaran tidak selamnaya dilakukan, jika tidak perlu maka tidak akan dijalankan. karena itulah metode ini sering dsebut sebagai metode pertukaran (exchange sort). Algoritma Bubble sort 1. input data a 2. Pengecekan mulai dari data a-0 sampai  data ke-a 3. Bandingkan data ke-a dengan data sebelumnya (a-1) 4.Jika lebih kecil maka pindahkan bilangan tersebut dengan bilangan yg ada didepannya, sebelumnya cek satu persatu (a-1,a-2,a-3,....dst) 5.Jika lebih besar maka tidak terjadi pemindahan 6.Ulangi langkah 2 dan 3 sampai sort optimal Flowchart Bubble Sort ============================================================================= - Insertion sort - Insertion Sort merupakan algoritma yang efisien untuk mengurutkan angka yang mempunyai jumlah elemen sedikit. Dimana:- Input : deretan angka sej...
Posting Komentar
Baca selengkapnya

Finite State Machine (FSM) dan Pseudocode

Assalamualaikum Wr. Wb. Kali ini saya akan membuat FSM sederhana minimal 10 states yang dilengkapi dengan Pseudocode beserta penjelasannya. FSM : Pseudocode : using UnityEngine; using System.Collections; public class GameFSM : MonoBehaviour { public enum {LevelAwal, diam, jump, benda, soal, kunci, menembak, menghindar, musuh, nyawa, GameOver, NextLevel} public TurnStates state; public bool gameInProgress = true; void Start () { state = GameFSM.Mulai.Init; StartCoroutine ("TurnFSM"); } private IEnumerator TurnFSM (){ while(gameInProgress){ switch(state){ case TurnStates.LevelAwal: if( Permainan Awal()) {* state = diam:} break; case TurnStates.diam: if(Mulai()) {* state = jump;} break; case TurnStates.Jump: if( Melompat()) {* state = benda;} break; case TurnStates.benda: if( mencari benda()) {* state = soal;} if (menghindar ()) {* state = Musuh;} break; case TurnStates.benda: if( mencari Benda ()) {* state...
2 komentar
Baca selengkapnya