KORELASI PARSIAL

click, to get the pdf version

Korelasi parsial adalah pengukuran hubungan antara dua variabel, dengan mengontrol atau menyesuaikan efek dari satu atau lebih variabel lain. Singkatnya r1234 adalah korelasi antara 1 dan 2, dengan mengendalikan variabel 3 dan 4 dengan asumsi variabel 1 dan 2 berhubungan linier terhadap variabel 3 dan 4. Korelasi parsial dapat digunakan pada banyak kasus, misalnya apakah nilai penjualan suatu komoditi terkait kuat kepada pembelanjaan iklan ketika efek harga dikendalikan. Jika korelasi parsialnya nol, maka dapat disimpulkan bahwa korelasi yang dihitung sebelumnya adalah semu.

Rumus yang digunakan dalam korelasi parsial adalah:

rxy.z = [ rxy – (rxz) (ryz) ] / [ 1 - r2xz 1 - r2yz ]

dimana:
rxy.z = korelasi parsial antara X dan Y, dengan mengendalikan Z

Ilustrasi:

Hubungan antara Produksi (ton), nilai ekspor (US$), dan inflasi diberikan dengan tabel sebagai berikut:

Produksi (ton)	Nilai Ekspor (US$)	Inflasi
3000	300	2
5000	460	5
4500	350	6
3800	200	3
2700	198	5
8500	490	3
6500	400	2
3000	170	4

Dengan SPSS 17.0, langkah pengolahan datanya adalah sebagai berikut:

1. Masukkan data ke dalam worksheet SPSS seperti berikut ini:

2. Dari menubar Pilih Analyze – Correlate – Partial,

3. Setelah muncul kotak dialog Partial Correlation, masukkan variabel yang akan dikorelasikan ke dalam kotak variables, dan variabel yang dikontrol ke dalam kotak controlling for, lalu pilih option, pertama-tama kita akan mengontrol variabel inflasi.

4. Setelah muncul kotak dialog option, checklist zero order correlation seperti berikut, lalu klik continue.

5. Setelah itu akan muncul output berikut ini:

Korelasi yang didapat setelah mengendalikan faktor inflasi adalah signifikan yaitu 0,853.

Hal yang sama juga dapat dilakukan dengan mengendalikan faktor-faktor yang lain, dalam kasus ini kita dapat mengendalikan faktor produksi ataupun nilai ekspor.(yoz)

Read More

ANALISIS KORELASI BIVARIAT DAN MULTIVARIAT

click, to get pdf version

Korelasi merupakan hubungan antara dua buah variabel, jika nilai suatu variabel naik, sedangkan nilai variabel yang lain turun, maka dikatakan terdapat hubungan negatif serta sebaliknya. Korelasi yang biasa digunakan dalam penelitian adalah:

a. Korelasi Pearson Product Moment

Korelasi ini dilakukan jika sepasang variabel kontinu, memiliki korelasi. Jumlah pengamatan variabel X dan Y harus sama, atau kedua nilai variabel tersebut berpasangan. Semakin besar nilai koefisien korelasinya maka akan semakin besar pula derajat hubungan antara kedua variabel. 

Korelasi Pearson biasanya pada hubungan yang berbentuk linier (keduanya meningkat atau keduanya menurun). Koefisien korelasi ini tidak menunjukkan adanya hubungan kausal antar variabelnya.

Contoh kasus: jika terdapat hubungan korelasi antara variabel citra merek dengan kepuasan konsumen motor merek Honda.

b. Korelasi Spearman

Jika pengamatan dari 2 variabel X dan Y adalah dalam bentuk skala ordinal, maka derajat korelasi dicari dengan koefisien korelasi spearman. Prosedurnya terdiri atas:

1. Atur Pengamatan dari kedua variabel dalam bentuk ranking.
2. Cari beda dari masing-masing pengamatan yang sudah berpasangan
3. Hitung koefisien korelasi Spearman dengan rumus:

ρ = 1 = 6∑d12 / N3 – N

dimana:

d1 = beda antara 2 pengamatan berpasangan
N = total pengamatan
ρ = koefisien korelasi spearman

Contoh aplikasi : jika seorang peneliti ingin melihat apakah ada korelasi antara kasus kematian pada ternak yang yang sakit dengan kematian ternak akibat stress, maka secara random diambil 10 sampel ternak.

Penyelesaian kasus tersebut secara manual dapat digunakan dengan langkah pemeringkatan terlebih dahulu pada kedua variabel (kematian karena sakit dan kematian karena stress).

c. Korelasi Rank Kendall


Analisis korelasi rank Kendall digunakan untuk mencari hubungan dan menguji hipotesis antara dua variabel atau lebih, bila datanya berbentuk ordinal atau ranking. Kelebihan metode ini bila digunakan untuk menganalisis sampel berukuran lebih dari 10 dan dapat dikembangkan untuk mencari koefisien korelasi parsial.

Metode yang digunakan pada analisis koefisien korelasi rank Kendall yang diberi notasi τ adalah sebagai berikut.

1. Beri ranking data observasi pada variabel X dan variabel Y.

2. Susun n objek sehingga ranking X untuk subjek itu dalam urutan wajar, yaitu 1, 2, 3, …, n. Apabila terdapat ranking yang sama maka ranking-nya adalah rata-ratanya.

3. Amati ranking Y dalam urutan yang bersesuaian dengan ranking X yang ada dalam urutan wajar kemudian tentukan jumlah angka pasangan concordant (Nc) dan jumlah angka pasangan discordant (Nd).

4. Statistik uji yang digunakan:

τ = Nc – Nd / (N(N-1)/2)

dimana:
τ = koefisien korelasi rank Kendall
Nc = jumlah angka pasangan concordant
Nd = jumlah angka pasangan discordant
N = ukuran sampel

Aplikasi korelasi Rank Spearman, Pearson dan Rank Kendall menggunakan software SPSS.17.0 adalah sebagai berikut:

Jika kita memiliki data produksi dan data ekspor suatu komoditi, kita ingin melihat hubungan antara keduanya (apakah ada korelasi antara total produksi dan ekspor).

1. Buka program SPSS kemudian input data ke dalam tabel-tabel SPSS:

2. Klik dari menubar Analyze – Correlate – Bivariate, seperti berikut:

3. Kemudian masukkan kedua variabel ke kotak variables di sebelah kanan, checklist koefisien korelasi sebagai “Pearson” atau “Rank Kendall” atau “Spearman”, dalam contoh ini kita menggunakan korelasi pearson product moment, gambar berikut:

4. Kemudian Klik OK

Maka akan muncul output sebagai berikut:

Dari output di atas, N menunjukkan jumlah observasi/sampel sebanyak 8, sedangkan hubungan korelasi ditunjukkan oleh angka 0,839(**) yang artinya besar korelasi yang terjadi antara variabel X dan Y adalah  baik yaitu sebesar 0,839. 

Sedangkan angka sig.(2-tailed) adalah 0,009 masih lebih kecil daripada batas kritis α = 0,05 (0,009 < 0,05), berarti terdapat hubungan yang signifikan antara kedua variabel. 

Cara yang sama dengan menggunakan SPSS dapat dilakukan juga terhadap korelasi Rank Kendall maupun Spearman.

Sumber: Nazir, M. 2003. Metode Penelitian. Ghalia Indonesia: Jakarta

Read More