BAB I
PENDAHULUAN
A.
Latar
Belakang
Statistika
deskriptif adalah bagian dari ilmu
statistika yang hanya mengolah, menyajikan data tanpa mengambil
keputusan untuk populasi. Dengan kata
lain hanya melihat gambaran secara umum dari data yang didapatkan.Statistika
adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan,menganalisis,
menginterpretasi, dan mempresentasikan data. Singkatnya, statistika adalah ilmu
yang berkenaan dengan data.
Dalam
kehidupan, suatu data sangat diperlukan oleh banyak dunia kerja seperti
pemerintahan, perusahaan, dan pendidikan untuk mengetahui berapa banyak data
yang di peroleh, bagaimana menginterprestasikannya, serta menganalisis masalah
yang berkenaan, menyajikan dan menginformasikannya, nah statistika deskriptif
ini dapat mempermudah proses tersebut. Jadi jelaslah sangat besar manfaatnya.
Banyak
analisis data bertujuan untuk mengetahui apakah ada hubungan antara dua atau
lebih peubah. Bila hubungan demikian ini dapat dinyatakan dalam bentuk rumus
matematik, maka kita akan dapat menggunakannya untuk keperluan identifikasi
selanjutnya. Masalah identifikasi dapat dilakukan dengan menerapkan persamaan
regresi dan menentukan korelasi (hubungan) data.
B.
Rumusan
Masalah
Yang menjadi rumusan
masalah dalam penulisan ini adalah sebagai berikut;
1. Bagaimana
pengertian dan penjabaran analisis deskriptif ?
2. Bagaimana
pengertian dan penjabaran analisis korelatif ?
C.
Tujuan
Penulisan
Adapun yang menjadi
tujuan penulisan dalam penulisan ini adalah sebagai berikut:
1. Memahami
pengertian dan penjabaran analisis deskriptif.
2. Mengetahui
pengertian dan penjabaran penulisan korelatid.
BAB II
PEMBAHASAN
A.
Analisis
Deskriptif
Statistika
deskriptif adalah bagian dari statistika yang mempelajari alat, teknik, atau
prosedur yang digunakan untuk menggambarkan atau mendeskripsikan kumpulan data
atau hasil pengamatan yang telah dilakukan. Kegiatan – kegiatan tersebut antara
lain adalah kegiatan pengumpulan data, pengelompokkan data, penentuan nilai dan
fungsi statistik, serta pembuatan grafik, diagram dan gambar.
Statistika
deskriptif ini merupakan metode-metode yang berkaitan dengan pengumpulan,
peringkasan, dan penyajian suatu data sehingga memberikan informasi yang
berguna dan juga menatanya ke dalam bentuk yang siap untuk dianalisis. Dengan
kata lain, statistika deskriptif ini merupakan fase yang membicarakan mengenai
penjabaran dan penggambaran termasuk penyajian data. Dalam fase ini dibahas
mengenai ukuran-ukuran statistik seperti ukuran pusat, ukuran sebaran, dan
ukuran lokasi dari persebaran / distribusi data.
Adapun
analisis statistika deskriptif ini memiliki tujuan untuk memberikan gambaran
(deskripsi) mengenai suatu data agar data yang tersaji menjadi mudah dipahami
dan informatif bagiorang yang membacanya. Statistika deskriptif menjelaskan
berbagai karakteristik data seperti rata-rata (mean), jumlah (sum) simpangan
baku (standard deviation), varians (variance), rentang (range), nilai minimum
dan maximum dan sebagainya.
Analisis
deskriptif ini terdiri dari Frequencies, Descriptive, Explore, Crosstabs dan
Ratio. Analisis – analisis tersebut sudah ada pada opsion menu – menu dalam
software pengolahan data statistik yang sering digunakan. Salah satu program
olah data yang sering digunakan adalah SPSS (Statistical Package for the Social
Sciences). SPSS merupakan program aplikasi computer untuk menganalisis data
yang digunakan pada berbagai disiplin ilmu, terutama untuk analisis statistika.
SPSS untuk menganalisis serta menampilkan angka-angka hasil perhitungan
statistik, grafik, tabel dengan berbagai model, baik variabel tunggal atau
hubungan antara satu variabel dengan variabel lain.
Perlu
juga diketahui, bahwa menurut skala data, dapat dibagi menjadi empat yaitu :
a. Data
Nominal
Adalah
data yang hanya bentuk pengkodean, maksudnya adalah angka yang ada hanyalah
sebagai symbol saja. Tidak memiliki tingkatan atau hierarki. Jadi nilai 1, 2
dan seterusnya memiliki nilai yang sama dan setara. Data nominal tidak bisa
dioperasikan secara matematik.
b. Data
Ordinal
Adalah
data yang hampir sama dengan data nominal, namun bedanya adalah angka – angka
pada data memiliki hierarki atau tingkatan – tingkatan.
c. Data
Interval
Adalah
data yang memiliki range atau jarak dalam kelompok nilai dalam interval
tertentu. Nol tidak memiliki nilai yang mutlak, atau nol yang tertera bukan
merupakan nol yang sesungguhnya.
d. Data
Ratio
Adalah
data yang memiliki nilai yang sesungguhnya. Dapat dioperasikan secara matematik
dan memiliki nilai nol yang sesungguhnya.
Dari
empat data tersebut, dikelompokkan lagi menjadi dua, yaitu data kualitatif yang
meiputi data interval dan ratio. Serta data kuantitatif yang meliputi data
nominal dan data ordinal.[1]
1.
Analisis
Data Nominal
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 diskrit 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.[2]
2.
Analisis
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, 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.[3]
3.
Analisis
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 4 orang
mahasiswa, yakni A, B, C, dan D diukur dengan ukuran interval pada skala
prestasi dengan ukuran 1, 2, 3, dan 4, maka dapat dikatakan bahwa beda prestasi
antara mahasiswa C dan A adalah 3 – 1 = 2. Beda prestasi antara mahasiswa D dan
B adalah 4 – 2 = 2. Akan tetapi tidak bisa dikatakan bahwa prestasi mahasiswa D
adalah 2 kali prestasi mahasiswa B ataupun prestasi mahasiswa D adalah 4 kali
lebih baik dari prestasi mahasiswa A. Selain itu ukuran interval juga tidak
memiliki nilai nol mutlak, seperti halnya suhu dalam skala termometer. 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.
B.
Hubungan
Antar Variabel (Analisis Korelatif)
Kata
“korelasi” berasal dari bahasa Inggris correlation. Dalam bahasa Indonesia sering diterjemahkan
dengan ‘hubungan’, ‘saling hubungan’, atau ‘hubungan timbal balik’. Dalam ilmu
statistik istilah ‘korelasi’ diberi pengertian sebagai ‘hubungan antar dua
variabel atau lebih’.
Korelasi
merupakan suatu hubungan antara satu variabel dengan variabel lainnya. Hubungan
antara variabel tersebut bisa bisa secara korelasional dan bisa juga secara
kausal. Jika hubungan tersebut tidak menunjukkan sifat sebab akibat, maka
korelasi tersebut dikatakan korelasional, artinya sifat hubungan variabel satu
dengan variabel lainnya tidak jelas mana variabel sebab dan mana variabel
akibat. Sebaliknya, jika hubungan tersebut menunjukkan sifat sebab akibat, maka
korelasinya dikatakan kausal artinya jika variabel yang satu merupakan sebab,
maka variabel lainnya merupakan akibat.[4]
Hubungan
antara variabel dikenal dengan istilah bivariate correlation, sedangkan
hubungan antar lebih dari dua variabel disebut multivariate correlation.
Hubungan
antar variabel misalnya hubungan atau korelasi antara prestasi studi (variabel
X) dan kerajinan kuliah (variabel Y), maksudnya: prestasi studi ada hubungan
nya dengan kerajinan kuliah. Hubungan antar lebih dari dua variabel misalnya
hubungan antara prestasi studi (variabel X1) dan kerajinan kuliah (variabel
X2), keaktifan mengunjungi perpustakaan (variabel X3), keaktifan berdiskusi
(variabel X4).[5]
Variabel
bebas (independent variable) adalah variabel yang nilai-nilainya bergantung
pada variabel lainnya, biasanya disimbolkan dengan X. variabel itu digunakan
untuk meramalkan atau menerangkan nilai variabel yang lain. Variabel Terikat
(dependent variable) adalah variabel yang
nilai-nilainya bergantung pada variabel lainnya, biasanya disimbolkan
dengan Y. Variabel itu merupakan variabel yang diramalkan atau diterangkan
nilainya.[6]
Dalam
contoh diatas variabel diatas dependent variable, yaitu variabel yang
dipengaruhi; sedangkan variabel kerajinan kuliah, keaktifan mengunjungi
perpustakaan, keaktifan berdiskusi disebut independent variable yaitu variabel
bebas, dalam arti : bermacam–macam variabel yang dapat memberikan pengaruh
terhadap prestasi studi.[7]
1.
Produck
Moment
Korelasi
Product moment (Product of the moment correlation) adalah salah satu teknik
untuk mencari korelasi antardua variable yang kerap kali dgunakan. Korelasi
Product Moment (KPM) atau sering juga disebut Korelasi Pearson merupakan alat
uji statistik yang digunakan untuk menguji hipotesis asosiatif (uji hubungan)
dua variabel bila datanya berskala interval atau rasio. Teknik korelasi produk
momen ini dikembangkan oleh Karl Pearson.
Korelasi
Product moment merupakan salah satu bentuk statistik parametris karena menguji
data pada skala interval atau rasio. Disebut Korelasi Product moment karena
koefisien korelasinya diperoleh dengan cara mencari hasil perkalian dari
momen-momen ariabel yang dikorelasikan (Product of the moment).
a. Penggunaan
Korelasi Product Moment
Teknik
Korelasi ini dapat digunakan apabila data yang akan dikorelasikan atau
dianalisis memenuhi syarat sebagai berikut:
Ø Variabel
yang akan dikorelasikan berbentuk gejala yang bersifat kontinu atau data ratio
dan data interval.
Ø Sampel
yang diteliti mempunyai sifat homogen atau mendekati homogeny
Ø Regresinya
merupakan regresi linear.
Ø Korelasi
yang sering digunakan oleh peneliti (terutama peneliti yang mempunyai data-data
interval dan rasio) adalah korelasi
Pearson atau Product Moment Correlation.
Adapun
beberapa persyaratan yang harus dipenuhi
apabila kita menggunakan rumus ini adalah:
Ø Pengambilan
sampel dari populasi harus random(acak).
Ø Data
yang dicari korelasinya harus berskala interval atau rasio.
Ø Variasi
skor kedua variabel yang akan dicari
korelasinya harus sama.
Ø Distribusi
skor variabel yang dicari korelasinya hendaknya merupakan distribusi unimodal.
Ø Hubungan
antara variabel X dan Y hendaknya linier.
b. Lambang
Korelasi Product Moment
Kuat
lemah atau tinggi rendahnya korelasi antara dua variabel yang sedang kita
teliti, dapat diketahui dengan melihat besar kecilnya angka index korelasi,
yang pada teknik korelasi product moment deberi lambang “r” (sering disebur “r”
product moment). Angka indeks korelasi
product moment ini diberi indeks dengan huruf kecil dari huruf-huruf yang
dipergunakan untuk dua buah variabel yang sedang dicari korelasinya. Jadi
apabila variabel pertama diberi lambang “X” dan variabel kedua dberi lambang
“y”, maka angka indeks korelasinya dinyatakan dengan lambang r xy.
Rumus
Pearson Product Moment
Adapun
rumus Pearson Product Moment (r) terbagi 2 macam adalah sebagai berikut di
bawah ini:
Korelasi Product Moment dengan
simpangan:
r_xy=(∑xy)/√((∑x^2 )(∑y^2 ) )
Keterangan:
r_xy
=Koefisiensi korelasi anatara variabel X dan variabel Y:dua variabel
yang dikorelasikan
( x=X-M ) dan( y= Y-M).
∑xy
=Jumlah perkalian x dengan y
x^2
=Kuadrat dari x (deviasi x)
y^2
=Kuadrat dari y (deviasi y)
Korelasi Product Moment dengan Angka
Kasar:
r_xy=(NΣxy_(-(∑x) ) (∑y))/√((NΣx^2-(∑x)^2
(NΣy^2-(Σy)^(2)) )
Keterangan:
r_xy=Koefisien korelasi antara variabel X
dan variabel Y
Σxy
=Jumlah perkalian antara variabel x dan Y
∑x^2
=Jumlah dari kuadrat nilai X
∑y^2
=Jumlah dari kuadrat nilai Y
(∑x)^2=Jumlah nilai X kemudian
dikuadratkan
(∑y)^2=Jumlah nilai Y kemudian
dikuadratkan
2.
Kontingensi[8]
Teknik
korelasi koefisien kontingensi adalah salah satu teknik analisis korelasional
bivariat, yang dua buah variabel yang dikorelasikan adalah berbentuk kategori
atau merupakan gejala ordinal. Misalnya : tingkat pendidikan, tinggi, menengah,
rendah : pemahaman terhadap ajaran Agama Islam: baik, cukup, kurang, dan
sebagainya.
Lambangnya
Kuat
lemah, tinggi – rendah, atau besar – kecilnya korelasi antar dua variabel yang
sedang kita selidiki korelasinya, dapat diketahui dari besar – kecilnya angka
indeks korelasi yang disebut coefficient contingency, yang umumnya diberi
lambang dengan huruf C atau KK ( singkatan dari koefisien kontingensi).
Rumusnya
∁ = χ^2/(χ^2+ N)
χ^2
dapat diperoleh dengan menggunakan rumus :
χ^2= ∑((f_0- f_t )^2)/f_t
Cara
memberikan interpretasi terhadap angka indeks korelasi kontingensi
Pemberian
interpretasi terhadap angka indeks korelasi kontingensi C atau KK itu adalah
dengan jalan terlebih dahulu menubah harga C menjadi phi, dengan mempergunakan
rumus : φ= C/√(1-C^2 )
Setelah
harga φ diperoleh, selanjutnya kita konsultasikan dengan tabel nilai “r” Product Moment dengan df sebesar N – nr.
Jika angka indeks korelasi yang kita peroleh dalam perhitungan (dalam hal ini
adalah C yang telah diubah menjadi phi dan dianggap “〖
r〗_(xy
)“) itu sama dengan atau lebih besar daripada r_tabel, maka hipotesis nihil
ditolak dan apabila lebih kecil daripada r_tabel, maka hipotesis nihil diterima
atau disetujui.
3.
Korelasi
PHI[9]
Teknik
korelasi phi adalah salah satu teknik analisis korelasional yang dipergunakan
apabila data yang dikorelasikan adalah data yang benar – benar dikotomik (
terpisah atau dipisahkan secara tajam ) dengan istilah lain ; variabel yang
dikorelasikan itu adalah variabel diskrit murni ; misalnya : laki – laki –
perempuan, hidup – mati, lulus – tidak lulus, menjadi pengurus organisasi –
tidak menjadi pengurus organisasi mengikuti bimbingan tes – tidak mengikuti
bimbingan tes, dan seterusnya. Apabila variabelnya bukan merupakan variabel
diskrit, maka variabel tersebut terlebih dahulu harus diubah menjadi variabel
diskrit.
Lambangya
Besar
kecil, kuat lemahnya, atau tingi rendahnya, korelasi antar dua variabel yang
kita selidiki korelasinya, pada teknik korelasi phi ini, ditunjukkan oleh besar
kecilnya angka indeks korelasi yang dilambangkan dengan huruf φ ( phi ) yang
besarnya berkisar antara 0,00 samapai dengan + 1,00.
Rumusnya
ü Rumus
pertama : 
Rumus
ini kita pergunakan apabila dalam menghitung atau mencari 
kita mendasarkan diri pada frekuensi dari
masing – masing sel yang terdapat dalam tabel kerja (tabel perhitungan).
kita mendasarkan diri pada frekuensi dari
masing – masing sel yang terdapat dalam tabel kerja (tabel perhitungan).
ü Rumus
kedua : 
Rumus
ini kita pergunakan apabila dalam menghitung 
kita mendasarkan diri
pada nilai proporsinya.
kita mendasarkan diri
pada nilai proporsinya.
ü Rumus
ketiga : 
Rumus
ini kita pergunakan apabila dalam mencari kita terlebih dahulu menghitung kai kuadrat (
; kai kuadrat
itu diperoleh dengan rumus :
kita terlebih dahulu menghitung kai kuadrat (; kai kuadrat
itu diperoleh dengan rumus : 
dengan : 
= frekuensi yang
diperoleh dalam penelitian
= frekuensi secara teoritik
a. Cara
memberikan interpretasi terhadap angka indeks korelasi phi ( )
)
Pada
dasarnya, phi merupakan product momen correlation. Oleh karena itu, dapat
diinterpretasikan dengan cara yang sama dengan “r” Product Moment dari Pearson.
b. Contoh
cara mencari (menghitung) angka indeks korelasi Phi
Cara
mencari angka indeks korelasi phi dengan mendasarkan diri pada frekuensi dari
masing – masing sel yang terdapat dalam tabel kerja (tabel perhitungan).
Cara mencari angka indeks korelasi phi dengan
mendasarkan diri pada nilai proporsinya.
Cara
mencari (menghitung) angka indeks korelasi phi dengan memperhitungkan kai
kuadradat.
Cara
mencari ( menghitung ) angka indeks korelasi phi dalam keadaan khusus
4.
Point
Biserial
Teknik
korelasi point biserial (point biserial correlation) adalah salah satu teknik
analisis korelasional bivariat yang biasa dipergunakan untuk mencari korelasi
antara dua variabel :
Variabel
1 berbentuk variabel kontinum (misalnya : skor hasil tes) sedangkan Variabel 2
berbentuk variabel diskrit murni (misalnya betul atau salahnyacalon dalam menjawab
butir – butir soal tes).
Teknik
analisis koresional poin biseral ini juga dapat dipergunakan untuk menguji validity item (validitas soal) yang
telah diajukan dalam tes, dimana skor hasil tes untuk tiap butir soal
dikorelasikan dengan skor hasil tes secara totalitas.
Lambangnya
Angka
indeks korelasi yang menunjukan keeratan hubungan antara variabel yang satu
dengan variabel yang lain, pada teknik korelasi ini dilambangkan dengan : 
Rumusnya
Dimana
: = angka indeks korelasi poin biseral
= angka indeks korelasi poin biseral
= mean skor yang dicapai oleh peserta tes yang
menjawab betul, yang sedang dicari korelasinya dengan tes secara keseluruhan.
= mean skor total, yang berhasil dicapai oleh
seluruh peserta tes.
= deviasi standar total (dari skor total)
P = proporsi peserta tes yang menjawab betul
terhadap butir soal yang sedang dicari korelasinya dengan tes secara
keseluruhan.
Cara
memberikan interpretasi terhadap angka indeks poin beserial
Untuk
memberikan interpretasi terhadap 
kita pergunakan
tabel nilai “r” product moment, dengan terlebih dahulu mencari df-nya ( df = N – nr
). Jika 
yang kita
peroleh dalam perhitungan ternyata sama dengan atau lebih besar daripada 
maka kita dapat
mengambil kesimpulan bahwa kedua variabel yang sedang kita cari korelasinya,
ternyata secara signifikan memang berkorelasi. Jika lebih kecil
daripada 
berarti tidak
ada korelasi yang signifikan
kita pergunakan
tabel nilai “r” product moment, dengan terlebih dahulu mencari df-nya ( df = N – nr
). Jika yang kita
peroleh dalam perhitungan ternyata sama dengan atau lebih besar daripada maka kita dapat
mengambil kesimpulan bahwa kedua variabel yang sedang kita cari korelasinya,
ternyata secara signifikan memang berkorelasi. Jika lebih kecil
daripada berarti tidak
ada korelasi yang signifikan
Contoh
cara mencari ( menhitung ) angka indeks korelasi poin biserial
Sebagai
salah satu contoh, misalnya dalam suatu penelitian yang antara lain bertujuan
untuk menuji validitas soal yang telah dikeluarkan dalam tes ( bila soal yang
dikeluarkan dalam tes tersebut berbentuk tes obkjektif ) sejumlah 10 orang
calon (testee) dihadapakan kepada 10 butir soal ; skor yang berhasil dicapai
testee adalah sebagai berikut : (catatan : pada contoh ini testee yang menjawab
butir soal dengan betul diberi skor 1,
sedangkan tastee yang menjawab salah diberi skor nol.[10]
5.
Peta
Korelasi dan Regresi Linear
Arah
hubungan variable yang kita cari korelasinya, dapat kita amati melalui sebuah
peta atau diagram, yang dikenal dengan nama peta korelasi. Dalam peta korelasi
itu dapat kita lihat pencaran titik atau momen dari variable yang sedang kita
cari korelasinya, karena itu peta korelasi juga disebut scatter diagram.
Ciri
yang terkandung dalam peta korelasi itu adalah :
a. Jika
korelasi antara variable X dan variable Y merupakan korelasi positif maksimal
atau tertinggi atau sempurna, maka pencaran titik yang terdapat pada peta
korelasi apabila dihubungkan antara satu dengan yang lain, akan membentuk satu
buah garis lurus yang condong ke arah kanan.
b. Jika
korelasi antara variable X dan variable Y merupakan korelasi negatif maksimal,
maka pencaran titiknya akan membentuk satu buah garis lurus yang condong ke
kiri.
c. Jika
korelasi antara variable X dan variable Y merupakan korelasi positif yang
tinggi atau kuat, maka pada peta korelasi pencaran titiknya sedikit mulai
menjauhi garis linear, dengan kecondongan ke arah kanan.
d. Jika
korelasi antara variable X dan variable Y merupakan korelasi negatif yang
tinggi atau kuat, maka pada peta korelasi pencaran titiknya sedikit mulai
menjauhi garis linear, dengan kecondongan ke arah kiri.
e. Baik
korelasi positif maupun negative dikatakan sebagai korelasi yang cukup sedang
dan korelasi rendah atau lemah, apabila pencaran titik pada peta korelasi itu
semakin jauh tersebar/menjauhi garis linear.[11]
BAB III
PENUTUP
A.
Kesimpulan
Statistika
deskriptif adalah bagian dari statistika yang mempelajari alat, teknik, atau
prosedur yang digunakan untuk menggambarkan atau mendeskripsikan kumpulan data
atau hasil pengamatan yang telah dilakukan. Kegiatan – kegiatan tersebut antara
lain adalah kegiatan pengumpulan data, pengelompokkan data, penentuan nilai dan
fungsi statistik, serta pembuatan grafik, diagram dan gambar.
Æ Data
Nominal Adalah data yang hanya bentuk pengkodean, maksudnya adalah angka yang
ada hanyalah sebagai symbol saja. Tidak memiliki tingkatan atau hierarki. Jadi
nilai 1, 2 dan seterusnya memiliki nilai yang sama dan setara. Data nominal
tidak bisa dioperasikan secara matematik.
Æ Data
Ordinal Adalah data yang hampir sama dengan data nominal, namun bedanya adalah
angka – angka pada data memiliki hierarki atau tingkatan – tingkatan.
Æ Data
Interval Adalah data yang memiliki range atau jarak dalam kelompok nilai dalam
interval tertentu. Nol tidak memiliki nilai yang mutlak, atau nol yang tertera
bukan merupakan nol yang sesungguhnya.
Æ Data
Ratio Adalah data yang memiliki nilai yang sesungguhnya. Dapat dioperasikan
secara matematik dan memiliki nilai nol yang sesungguhnya.
Kata
“korelasi” berasal dari bahasa Inggris correlation. Dalam bahasa Indonesia sering diterjemahkan
dengan ‘hubungan’, ‘saling hubungan’, atau ‘hubungan timbal balik’. Dalam ilmu
statistik istilah ‘korelasi’ diberi pengertian sebagai ‘hubungan antar dua
variabel atau lebih’.
Korelasi
merupakan suatu hubungan antara satu variabel dengan variabel lainnya. Hubungan
antara variabel tersebut bisa bisa secara korelasional dan bisa juga secara
kausal. Jika hubungan tersebut tidak menunjukkan sifat sebab akibat, maka korelasi
tersebut dikatakan korelasional, artinya sifat hubungan variabel satu dengan
variabel lainnya tidak jelas mana variabel sebab dan mana variabel akibat.
Sebaliknya, jika hubungan tersebut menunjukkan sifat sebab akibat, maka
korelasinya dikatakan kausal artinya jika variabel yang satu merupakan sebab,
maka variabel lainnya merupakan akibat.
Æ Produck
Moment, Korelasi Product moment (Product of the moment correlation) adalah
salah satu teknik untuk mencari korelasi antardua variable yang kerap kali
dgunakan. Korelasi Product Moment (KPM) atau sering juga disebut Korelasi
Pearson merupakan alat uji statistik yang digunakan untuk menguji hipotesis
asosiatif (uji hubungan) dua variabel bila datanya berskala interval atau
rasio. Teknik korelasi produk momen ini dikembangkan oleh Karl Pearson.
Æ Kontingensi,
Teknik korelasi koefisien kontingensi adalah salah satu teknik analisis
korelasional bivariat, yang dua buah variabel yang dikorelasikan adalah
berbentuk kategori atau merupakan gejala ordinal. Misalnya : tingkat
pendidikan, tinggi, menengah, rendah : pemahaman terhadap ajaran Agama Islam:
baik, cukup, kurang, dan sebagainya.
Æ Korelasi
PHI, Teknik korelasi phi adalah salah satu teknik analisis korelasional yang
dipergunakan apabila data yang dikorelasikan adalah data yang benar – benar
dikotomik ( terpisah atau dipisahkan secara tajam ) dengan istilah lain ;
variabel yang dikorelasikan itu adalah variabel diskrit murni ; misalnya : laki
– laki – perempuan, hidup – mati, lulus – tidak lulus, menjadi pengurus organisasi
– tidak menjadi pengurus organisasi mengikuti bimbingan tes – tidak mengikuti
bimbingan tes, dan seterusnya. Apabila variabelnya bukan merupakan variabel
diskrit, maka variabel tersebut terlebih dahulu harus diubah menjadi variabel
diskrit.
Æ Point
Biserial, Teknik korelasi point biserial (point biserial correlation) adalah
salah satu teknik analisis korelasional bivariat yang biasa dipergunakan untuk
mencari korelasi antara dua variabel : Variabel 1 berbentuk variabel kontinum
(misalnya : skor hasil tes) sedangkan Variabel 2 berbentuk variabel diskrit
murni (misalnya betul atau salahnyacalon dalam menjawab butir – butir soal
tes). Teknik analisis koresional poin biseral ini juga dapat dipergunakan untuk
menguji validity item (validitas soal) yang telah diajukan dalam tes, dimana
skor hasil tes untuk tiap butir soal dikorelasikan dengan skor hasil tes secara
totalitas.
Æ Peta
Korelasi dan Regresi Linear, Arah hubungan variable yang kita cari korelasinya,
dapat kita amati melalui sebuah peta atau diagram, yang dikenal dengan nama
peta korelasi. Dalam peta korelasi itu dapat kita lihat pencaran titik atau
momen dari variable yang sedang kita cari korelasinya, karena itu peta korelasi
juga disebut scatter diagram.
DAFTAR PUSTAKA
Abdul
syani, “pengantar metode statistik nonparametrik”, Pustaka Jaya, Lampung : 1995
Agus
Irianto, Statisrik Konsep Dasar dan Aplikasinya. 2004 Jakarta: Prenada Media Group. 77.
Anas
Sudijono, “ Pengantar Statistik Pendidikan” Raja Grafindo Persada, Jakrta: 1987
Anas
Sudijono. . . . Hal 180
Anas
Sudijono. 2010. Pengantar Statistik Pendidikan, Jakarta, PT RajaGrafindo
Persada. 179.
http://inungpunyamimpi.blogspot.co.id/2012/04/analisis-deskriptif.html
http://suhartoumm.blogspot.co.id/2008/12/transformasi-variabel-ordinal.html
https://www.scribd.com/doc/210114690/MAKALAH-KORELASI
(diakses pada 20 april 2015)
M. Iqbal Hasan, Pokok-pokok Materi
Statistik 1 (statistic deskriptif), Jakarta: PT. Bumi Aksara 2005, Hal. 227.
Moh.
Nazir, Ph.D. Metode Penelitian, Penerbit Ghalia Indonesia, Jakarta, 2003.
Muhidin Sambas Ali dan Abdurahman
Maman.2007. Analisis Korelasi, Regresi, dan Jalur Dalam Penelitian. Bandung.
Pustaka Setia.
[1]
http://inungpunyamimpi.blogspot.co.id/2012/04/analisis-deskriptif.html
[2]
Moh. Nazir, Ph.D. Metode Penelitian, Penerbit Ghalia Indonesia, Jakarta, 2003.
[3]
http://suhartoumm.blogspot.co.id/2008/12/transformasi-variabel-ordinal.html
[4]
Agus Irianto, Statisrik Konsep Dasar dan Aplikasinya. 2004 Jakarta: Prenada Media Group. 77.
[5]
Anas Sudijono. 2010. Pengantar Statistik Pendidikan, Jakarta, PT RajaGrafindo
Persada. 179.
[6]
M. Iqbal Hasan, Pokok-pokok Materi Statistik 1 (statistic deskriptif), Jakarta:
PT. Bumi Aksara 2005, Hal. 227.
[7]
Anas Sudijono. . . . Hal 180
[8]
https://www.scribd.com/doc/210114690/MAKALAH-KORELASI (diakses pada 20 april
2015)
[9]
https://www.scribd.com/doc/210114690/MAKALAH-KORELASI (diakses pada 20 april
2015)
[10]
https://www.scribd.com/doc/210114690/MAKALAH-KORELASI (diakses pada 20 april
2015)
[11]
http://momentumsudutdanrotasibendategar.blogspot.co.id/2013/10/analisis-korelasional.html
Posting Komentar