ANLISIS KORELASI DAN REGRESI

Rasional
Kadang-kadang mahasiswa masih kesulitan menemukan model analisis statistik yang paling tepat. Disebabkan belum terbiasanya untuk mengkaitkan antara jenis skala instrumen penelitian dengan formula analisis yang seharusnya diterapkan, padahal pemahaman ini sangat diperlukan oleh setiap peneliti, khususnya dalam penelitian pendidikan (Shart, Vicki F., 1983; Minium, Edward W., 1979; Krathwohl David R, 1985). Untuk mengatasi hal tersebut , seperti halnya dalam penelitian sosialnya, dalam penelitian pendidikan, antar variabel saling berkaitan satu sama lain. Misalnya, pemilihan jenis media masa majalah hiburan, akan dipengaruhi oleh tingkat pendidikannya. Di sisi lain, tingkat pendidikan dipengaruhi oleh keadaan sosial ekonomi, budaya, dan faktor-faktor lingkungan yang lain (kharathwohl David R, 1985). Dengan demikian, setiap variabel bebas ternyata tergantung oleh variabel lain. Melihat kenyataan tersebut, analisis statistik yang kita gunakan sangat kompleks, sehingga harus pula menerapkan formula-formula canggih guna menganalisisnya (Sharp, Vicki F, 1983). Melihat kenyataan di atas, tepat kiranya apa yang dikemukakan oleh Lawrence R. Gay (1987), yang menyatakan bahwa di dalam penelitian pendidikan lebih sering kita temui analisis jenis korelasi dan regresi.......... 09.03. 2012. Para pakar penelitian sering mengunkapkan bahwa dengan mengukur koefisien korelasi dan koefisien regresi, akan ditemui hasil yang piawi dan tepat. Asalkan tidak melupakan kaidahnya, yaitu

dengan skala pengukuran, yang dituangkan dalam bentuk instrumen (Minium, Edward W., 1979). Uraian penerapan analisis korelasi dan regresi yang didasarkan atas logika dan kaidah skala instrumen yang disusun sebelumya, antara lain: 1). Teknik korelasi untuk Data Nominal, dengan menerapkan formula: A. Contingensy Coefficient, formula yang digunakan: untuk dua variabel (bivariat): digunakan formula: 1. Koefien Kontingensi Cramers; 2. Koefisien kontingensi Pearsons, 3. Koefisien kontingensi Tschuprow,. Namun jika lebih dari dua variabel (multivariat): digunakan formula: koefisien kontigensi Goodman dan Kruskal. B. Koefisien Phi C. Assosiasi koefisien 2). Teknik korelasi dan regresi untuk Data Ordinal, dengan menerapkan formula: A. Koefisien korelasi Rank, formula yang digunakan untuk dua variabel (bivariat) adalah; *.Korelasi Rank Spearman * korelasi Rank Kendall *. Korelasi Rank Goodman dan Kruskal.

B. Koefisien korelasi Rank Parsial, formula yang digunakan untuk dua variabel (multivariat): *. Korelasi Rank Parsial Spearman *. Korelasi Rank Parsial Kendall. 3). Teknik korelasi dan regresi untuk Data Interval dan Data

Rasio, dengan menerapkan:

a. Korelasi Product Moment, formula yang digunakan untuk dua variabel (bivariat): adalah korelasi Product Moment Pearson. Jika lebih dari dua variabel (multivariate): digunakan formula: b. Koefisien korelasi Parsial, c. Korelasi multiple, d. Koefisien Regresi, e. Multiple regresi (regresi ganda). Di atas telah dijelaskan bahwa hubungan antar variabel yang sering di jumpai dalam penelitian pendidikan, adalah hubungan tak simetris ( asymetris ). Dikaji dari jumlah variabelnya, ada yang terdiri dari dua variabel (bivariat), yaitu 1 variabel bebas dan 1 variabel tergantung. Sepergi digambarkan dalam bentuk diagram berikut: Diagram 1: Bivariat. X Kompetensi Pengajar (variabel babas) ----- ---- Y Minat Belajar (variabel tergantung)

Disamping jumlah variabel yang dua variabel (bivariat) sifatnya, juga lazim kita temui dalam penelitian pendidikan, jumlah variabel multivariat (lebih dari dua variabel) sifatnya. Contohnya dapat kita kaji pada diagram di bawah ini: Diagram 2: Multivariat (lebih dari dua variabel ).

X1 X2

( Kompetensi Pengajar) ----- Y ( Minat Belajar ( Tingkat I. Q. ) ----- Y ( Minat Belajar)

X3 (Keterampilan Mengajar) ------) Y (Minat Belajar)

Terdapat: dua Variabel Bebas + satu Variabel Kontrol X1 dan X3 : variabel bebas, dan variabel tergantung. X2 variabel kontrol., Y adalah

Dengan menerapkan hubungan yang sifatnya multivariat (lebih dari dua variabel), diharapkan hubungannya lebih bervariasi, dan memungkinkan mendapatkan variabel bebas (independent variabel) secara murni (Wonnacott, Thomas H., 1983). Hal tersebut dimungkinkan dengan menerapkan formula regresi ganda, anakova, analisa path, analisa faktor dan sebagainya. Uraian selengkapnya mengenai hal tersebut di atas dapat dikaji pada faktor di bawah ini: 1. Teknik Korelasi Untuk Data Skala Nominal Dalam suatu penelitian pendidikan, sering kita temui data-data yang berskala nominal, anatara lain dari instrumen yang menyatakan lulus atau tidak lulus, tes yang bersifat true falls, jenis kelamin, suku bangsa, dsb. Hubungan antar dua variabel yang berskala nominal, sering disebut asosiasi (Suparman, I.A 1983). Untuk mengukur koefisien korelasi guna mengetahui lemah kuatnya hubungan antar variabel, ada beberapa formaula yang seogianya diterapkan, antara lain: 1.1. Koefisien Kontigensi hubungan bivariat (dua variabel). (1). Formula Cramer.

Crfamer mencoba mengukur hubungan antara dua variabel nominal (diskrit/kategoris), dengan berdasarkan teori probabilitas Chi square dalam bentuk formula: C= dimana X2 , dapat dicari dengan menerapkan

N. (ad O

bc)2

------------------------------------------------------------(a+b)x (c+d) x (a+c) x ( b+d)

Contoh: Seorang peneliti hendak mengetahui hubungan antara tingkat pendidikan dengan jenis majalah yang dibacanaya. Didapat data sebagai berikut: N = 150 0rang. Tbel . 1 Tingkat Pendidikan dan Jenis Majalah yang digemari Penduduk RT 9 Desa Sumbersari, Pemkot Medan. Th. 2000 Sumber Variasi : Pembaca Tempo : Pembaca : Editor Jumlah

------------------------------------------------------------------------------------------Mhs Program AKT- 4 : Mhs Program S-1

:

60 (a)
30 (c)

: 30 (b)
: 30 ( d )

:
:

90
60

Jumlah

90

60

150

N (a xd

b x c)2

X2

= ------------------------------------------------------(a+ b) x ( c+d) 150 ( 60 x 30 x ( a+c ) x (b + d) 30 x 30)2

X2

= -----------------------------------------------------( 60 + 30 )x(30+30) x ( 60 + 30 )x (30 + 30 ) 150 (900)2 = -----------------------------------------------------------90 x 60 x 90 x 60 121 500 000 = -----------------------------------------------------29 160 000

X 2 = 4,166667 C=

(4,166667)2 C =V ---------------------150 + ( 5 )2

17,361 = V -----------------------------175 = C = V 0,099206 0,315056

Untuk menemukan koefisian C ( Cramer), perlu terlebih dahulu dacari koefisien X2. Karena X2 dapat menunjukkan besar kecilnya perbedaan frekuensi antara dua variabel di atas.

Sedangkan koefisien C ( Cramer) menunjukkan besar kecilnya hubungan tersebut. Dan untuk menentukan nilai signifikansinya, dapat dikaji dari daftar signifikansi nilai r 2, dengan derajat kebebasan ( k-1) (r-1).

(2). Formula Pearson.

Dasar analisis Pearson untuk menghitung Koefisien Kontingensi; dengan dasar yang sama dengan Cramer, mendasarkan atas distribusi X2. X2 P = V -------------N + X2

( 3 ). Formula Tschuprow
Dengan rumusan dasar yang sama digunakan oleh Cramer dan Pearson, berdasarkan pada X2. Bentuk Formulanya:

X2 T = V ---------------------------------------N V ( b-1) (k 1). Untuk menganalisis permasalahan dari Tabel 1 di atas, silahkan seterusnya dimasukkan hasil perhitungan X2 ( hasil perhitungan Pearson). Setelah itu kita lanjutkan menghitung: 1.2. Koefisien Kontingensi Hubungan Multivariat Namun, yang lazim kita temui dengan menerapkan formula: (1). Phi koefisien, bentknya X2 O = -------------N N C (ad bc) N/2 )2

Dimana : X2 = --------------------------------------------( a+c) (b+d) (a+b) ( c+d)