PLG 500

PENAAKULAN STATISTIK
DALAM PENDIDIKAN
Kuliah 10: Korelasi

CCM PPIP USM 2012

1) Korelasi

Thorne and Giesen (2003):

Korelasi:

Darjah hubungan linear antara dua

variabel
Contoh:
skor Matematik dan skor Fizik

CCM PPIP USM 2012

Apakah corak yang anda dapat lihat dalam data ini?

Murid

Skor Matematik

Skor Fizik

96

90

94

87

90

84

89

81

88

80

72

70

68

65

65

60

60

58

10

57

53

11

50

48

12

45

40

13

40

38

14

34

30

30

25

15

CCM PPIP USM 2012

1) Korelasi

Apakah corak yang anda dapat lihat dalam

data ini?
Secara amnya,

Murid yang mendapat skor Matematik yang

tinggi juga mendapat skor Fizik yang tinggi
Murid yang mendapat skor Matematik yang
rendah juga mendapat skor Fizik yang rendah

Corak ini menunjukkan bahawa terdapat

hubungan antara skor Matematik dengan
skor Fizik
CCM PPIP USM 2012

2) Plot Serakan

Hubungan antara skor Matematik dengan

skor Fizik lebih mudah diperhatikan dengan
menggunakan plot serakan (scatterplot )
Plot serakan terdiri daripada satu set titik
yang mewakili hubungan antara dua variabel
Setiap titik dalam suatu plot serakan mewakili
nilai bagi variabel X dan variabel Y bagi
seorang subjek
CCM PPIP USM 2012

Contoh: Plot serakan bagi hubungan antara skor

Matematik (X) dengan skor Fizik (Y)
Murid 1

Murid 15
CCM PPIP USM 2012

Murid

Skor
Matematik

Skor
Fizik

96

90

94

87

90

84

89

81

88

80

72

70

68

65

65

60

60

58

10

57

53

11

50

48

12

45

40

13

40

38

14

34

30

15

30

25

2) Plot Serakan

Menghasilkan plot serakan dengan SPSS:

Bina fail data
Graphs > Chart Builder >Scatter/Dot
Pindahkan Simple Scatter ke kotak Chart preview
Pindahkan variabel Y ke kotak Y Axis
Pindahkan variabel X ke kotak X Axis
OK

CCM PPIP USM 2012

3) Jenis Korelasi

Thorne and Giesen (2003):

Tiga jenis korelasi:
A.
B.
C.

Korelasi positif
Korelasi negatif
Korelasi sifar

CCM PPIP USM 2012

A. Korelasi Positif

Secara ringkasnya, korelasi positif antara dua

variabel, X dan Y, bermakna satu hubungan
linear langsung antara X dan Y:

nilai X yang tinggi berkait dengan nilai Y yang tinggi

nilai X yang rendah berkait dengan nilai Y yang
rendah

Contoh:

Jumlah masa belajar Sejarah (X) dan skor Sejarah (Y)

CCM PPIP USM 2012

Apakah corak yang anda dapat lihat dalam data ini?

Murid

Jumlah masa belajar Sejarah (jam), X

Skor Sejarah, Y

28

95

25

95

58

10

75

44

15

83

20

91

24

87

65

10

70
CCM PPIP USM 2012

A. Korelasi Positif

Set titik itu menghampiri bentuk satu garis lurus yang bahagian atasnya condong
ke arah kanan
Corak set titik yang menghampiri bentuk satu garis lurus yang bahagian atasnya
condong ke arah kanan menunjukkan
satuUSM
korelasi
positif
CCM PPIP
2012

B. Korelasi Negatif

Secara ringkasnya, korelasi negatif antara dua

variabel, X and Y, bermakna satu hubungan
linear songsang antara X dan Y:

nilai X yang tinggi berkait dengan nilai Y yang

rendah
nilai X yang rendah berkait dengan nilai Y yang
tinggi

Contoh:

Tinggal di luar kampus (X) dan penglibatan dalam

aktiviti kampus (Y)
CCM PPIP USM 2012

Apakah corak yang anda dapat lihat dalam data ini?

Kelas

Tinggal di luar kampus (%), X

Penglibatan dalam aktiviti

kampus (%), Y

100

40

95

95

90

20

92

30

85

40

55

50

60

70

98

10

20

100
CCM PPIP USM 2012

B. Korelasi Negatif

Set titik itu menghampiri bentuk satu garis lurus yang bahagian atasnya condong
ke arah kiri
Corak set titik yang menghampiri bentuk satu garis lurus yang bahagian atasnya
condong ke arah kiri menunjukkanCCM
satu
korelasi negatif
PPIP USM 2012

C. Korelasi Sifar

Secara ringkasnya, korelasi sifar antara dua

variabel, X and Y, bermakna tiada hubungan
linear antara X and Y
Contoh:
Turutan murid menghantar kertas ujian (x)
dan skor ujian (Y)

CCM PPIP USM 2012

Apakah corak yang anda dapat lihat dalam data ini?

Turutan murid menghantar kertas ujian (X)

Skor ujian (Y)

80

65

88

63

75

65

60

85

87

10

75

11

76

12

72

13

85

14

CCM PPIP USM 2012

60

C. Korelasi Sifar

Set titik itu membentuk corak yang rawak

Corak set titik yang rawak menunjukkan korelasi sifar
CCM PPIP USM 2012

4. Pekali Korelasi Pearson

Plot serakan menunjukkan arah hubungan

linear antara dua variabel
korelasi positif, negatif atau sifar
Tetapi, ia tidak memberikan satu ukuran
magnitud yang tepat bagi hubungan linear
antara dua variabel
korelasi kuat, sederhana atau lemah?
Maka, Karl Pearson (1857-1936)
memperkenalkan satu statistik yang
dipanggil pekali korelasi Pearson
CCM PPIP USM 2012

4. Pekali Korelasi Pearson

Pekali korelasi Pearson ialah satu statistik

yang menunjukkan arah dan magnitud
hubungan linear antara dua variabel berskala
interval atau nisbah
Contoh:
sikap terhadap matematik
pencapaian matematik

CCM PPIP USM 2012

4. Pekali Korelasi Pearson

Pekali korelasi Pearson, diwakili oleh huruf kecil r

Julat nilai r adalah dari 1.00 hingga +1.00:
-1.00 r +1.00

Tanda + dan mewakili arah hubungan linear

antara dua variabel:
hubungan linear langsung (+)
hubungan linear songsang (-)
Nilai mutlak r mewakili magnitud hubungan linear
antara dua variabel
CCM PPIP USM 2012

4. Pekali Korelasi Pearson

Hinkle, Wiersma dan Jurs (2003, m.s.109):

r

Interpretasi

0.91 hingga 1.00

(-0.91 hingga -1.00)

Hubungan positif yang sangat kuat

(Hubungan negatif yang sangat kuat)

0.71 hingga 0.90

(-0.71 hingga -0.90)

Hubungan positif yang kuat

(Hubungan negatif yang kuat)

0.51 hingga 0.70

(-0.51 hingga -0.70)

Hubungan positif yang sederhana

(Hubungan negatif yang sederhana)

0.31 hingga 0.50

(-0.31 hingga -0.50)

Hubungan positif yang lemah

(Hubungan negatif yang lemah)

0.01 hingga 0.30

(-0.01 hingga -0.30)

Hubungan positif yang sangat lemah

(Hubungan negatif yang sangat lemah)
CCM PPIP USM 2012

4. Pekali Korelasi Pearson

Jika r = + 1.00, maka terdapat hubungan linear

langsung (korelasi positif) yang sempurna antara X
dan Y
X

10

13

16

11

19

13

22
CCM PPIP USM 2012

4. Pekali Korelasi Pearson

Jika r = - 1.00, maka terdapat hubungan linear

songsang (korelasi negatif) yang sempurna antara X
dan Y
X

22

19

16

13

10

11

13

4
CCM PPIP USM 2012

4. Pekali Korelasi Pearson

Jika r = 0.00, maka tidak terdapat hubungan linear

(korelasi sifar) antara X dan Y
X

16

19

22

11

13

13
CCM PPIP USM 2012

 Formula pengiraan bagi pekali korelasi Pearson:

nXY XY
[nX (X ) ][nY (Y ) ]
2

di mana n = saiz sampel

X = skor individu pada variabel X
Y = skor individu pada variabel Y
X 2 = kuasa dua skor X
Y 2 = kuasa dua skor Y
XY = hasil darab skor X dengan skor Y yang
sepadan
CCM PPIP USM 2012

Contoh:
a) Kirakan pekali korelasi Pearson, r
b) Apakah yang ditunjukkan oleh nilai r?
c) Hasilkan satu plot serakan bagi set data ini dengan
menggunakan SPSS.
X

5
CCM PPIP USM 2012

nXY XY
[nX 2 (X ) 2 ][nY 2 (Y ) 2 ]
X

XY

X2

Y2

16

30

25

36

30

36

25

12

16

42

49

36

40

64

25

20

25

16

24

36

16

35

49

25

X = 54

Y = 43

XY = 247

X2 = 320

Y2 = 201

CCM PPIP USM 2012

a)

n = 10

X = 54

Y = 43

X2 = 320

Y2 = 201

XY = 247

nXY XY
[nX 2 (X ) 2 ][nY 2 (Y ) 2 ]
(10)(247) (54)(43)
[(10)(320) (54) 2 ][(10)(201) (43) 2 ]

148

213.83
0.70 (2 t.p.)
b) Terdapat korelasi positif yang sederhana antara X dan Y
(Hinkle, Wiersma & Jurs, 2003, m.s.109)
CCM PPIP USM 2012

c) Hasilkan satu plot serakan bagi set data ini dengan

menggunakan SPSS.

Bina fail data.

Graphs > Chart Builder > Scatter/Dot
Pindahkan Simple Scatter ke kotak Chart preview
Pindahkan variabel Y ke kotak Y-Axis?
Pindahkan variabel X ke kotak X-Axis?
OK

CCM PPIP USM 2012

c)

Terdapat korelasi positif antara X dan Y

CCM PPIP USM 2012

4. Pekali Korelasi Pearson

Mengira r dengan menggunakan SPSS:

Bina fail data.

Analyze >Correlate > Bivariate
Pindahkan variabel X dan Y ke kotak
Variables
OK

CCM PPIP USM 2012

Output SPSS
Correlations
X
X

Pearson Correlation

Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
*Correlation

Y
1

.692(*)

.
10

.027
10

.692(*)

.027
10

.
10

is significant at the 0.05 level (2-tailed).

CCM PPIP USM 2012

5. Pekali Penentuan

Pekali penentuan (coefficient of

determination) ialah kuasa dua bagi
pekali korelasi Pearson
Menunjukkan peratus varians dalam satu
variabel yang berkait dengan varians dalam
variabel yang satu lagi
Diwakili oleh r 2

CCM PPIP USM 2012

5. Pekali Penentuan

Contoh:
r = 0.69
2 = 0.692 = 0.48
r
48% daripada varians dalam Y
berkait dengan varians dalam X

CCM PPIP USM 2012

6. Pekali Bukan Penentuan

Pekali bukan penentuan (coefficient of

non-determination):
Peratus varians dalam Y yang tidak berkait
dengan varians dalam X
2
Diwakili oleh 1- r

CCM PPIP USM 2012

6. Pekali Bukan Penentuan

Contoh:
r = 0.69
2 = 0.692 = 0.48
r
2 = 1 - 0.48 = 0.52
1 - r
52% daripada varians dalam Y tidak
berkait dengan varians dalam X

CCM PPIP USM 2012

7. Menguji r untuk kesignifikanan

statistik

1.

2.

Untuk menentukan sama ada terdapat

hubungan yang signifikan antara dua variabel
berskala interval atau nisbah
Andaian-andaian bagi ujian pekali korelasi
Pearson r :
Sampel dipilih secara rawak daripada populasi
dan skor-skor bagi setiap variabel adalah bebas
daripada satu sama lain
Skor-skor bagi setiap variabel adalah bertaburan
secara normal dalam populasi
CCM PPIP USM 2012

7. Menguji r untuk kesignifikanan

statistik

1.
2.
3.
4.
5.

Lima langkah utama dalam pengujian hipotesis dengan

menggunakan SPSS:
Nyatakan hipotesis nol dan hipotesis alternatif
Tetapkan aras signifikan untuk menolak hipotesis nol
Analisis data dengan menggunakan SPSS
Buat keputusan tentang hipotesis nol
Buat kesimpulan

CCM PPIP USM 2012

7. Menguji r untuk kesignifikanan

statistik

Contoh 1:
Jadual 1 menunjukkan skor Matematik dan
skor Fizik bagi 30 orang murid Tingkatan 4
Uji sama ada terdapat hubungan yang
signifikan antara skor Matematik dan skor
Fizik pada aras signifikan 0.01

CCM PPIP USM 2012

Jadual 1
Murid

Skor Matematik

Skor Fizik

96

80

94

87

90

84

89

81

88

80

72

70

68

65

65

60

60

58

10

57

53

11

50

48

12

45

40

13

40

38

14

34

30

30

25

15

CCM PPIP USM 2012

Jadual 1 (Sambungan)
Murid

Skor Matematik

Skor Fizik

16

96

60

17

94

87

18

90

84

19

89

81

20

88

80

21

72

70

22

68

65

23

65

60

24

60

58

25

57

53

26

50

48

27

45

40

28

40

38

29

34

30

30

25

30

CCM PPIP USM 2012

Langkah 1: Nyatakan hipotesis nol dan

hipotesis alternatif
Ho : Tidak terdapat hubungan yang signifikan antara
skor Matematik dan skor Fizik dalam populasi
H1 : Terdapat hubungan yang signifikan antara skor
Matematik dan skor Fizik dalam populasi

Atau
Ho : = 0
H1 : 0
(rho) ialah pekali korelasi bagi populasi
CCM PPIP USM 2012

Langkah 2: Tetapkan aras signifikan

untuk menolak hipotesis nol

Tetapkan nilai = 0.01

Jika p .01, maka hipotesis nol ditolak

Jika p > .01, maka hipotesis nol gagal ditolak

CCM PPIP USM 2012

Langkah 3: Analisis data dengan

menggunakan SPSS
Ujian normaliti dengan menggunakan SPSS:
Bina fail data.
Analyse > Descriptive Statistics > Explore
Pindahkan kedua-dua variabel ke kotak Dependent

List:
Statistics > taip 99 > Continue
Plots > Normality plots with tests
Continue > OK

CCM PPIP USM 2012

Tests of Normality
Kolmogorov-Smirnova
Statistic
Skor Matematik
(X)

.182

df

Sig.

Shapiro-Wilk
Statistic

df

Sig.

30

.013

.919

30

.025

Skor Fizik (Y)

.153
30
a. Lilliefors Significance Correction

.072

.934

30

.063

Hipotesis nol bagi ujian Kolmogorov-Smirnov gagal ditolak kerana p > .01.
Maka skor Matematik diandaikan bertaburan secara normal dalam populasi.

Hipotesis nol bagi ujian Kolmogorov-Smirnov gagal ditolak kerana p > .01.
Maka skor Fizik diandaikan bertaburan secara normal dalam populasi.

CCM PPIP USM 2012

Langkah 3: Analisis data dengan

menggunakan SPSS
Ujian pekali korelasi Pearson r dengan
menggunakan SPSS:
1. Analyze > Correlate > Bivariate
2.
Pindahkan kedua-dua variabel ke ruangan
3.

Variables
Pearson

4.

OK
CCM PPIP USM 2012

Langkah 4: Buat keputusan tentang

hipotesis nol
Correlations
Skor Matematik Skor Fizik (Y)
(X)
Pearson Correlation
1
.960**
Skor Matematik (X) Sig. (2-tailed)
.000
N
30
30
Pearson Correlation
.960**
1
Skor Fizik (Y)
Sig. (2-tailed)
.000
N
30
30
**. Correlation is significant at the 0.01 level (2-tailed).

Hipotesis nol ditolak kerana p <.01

CCM PPIP USM 2012

Langkah 5: Buat kesimpulan

Correlations
Skor Matematik Skor Fizik (Y)
(X)
Pearson Correlation
1
.960**
Skor Matematik (X) Sig. (2-tailed)
.000
N
30
30
Pearson Correlation
.960**
1
Skor Fizik (Y)
Sig. (2-tailed)
.000
N
30
30
**. Correlation is significant at the 0.01 level (2-tailed).
Terdapat hubungan positif yang sangat kuat dan signifikan antara skor
Matematik dan skor Fizik, r (28) = 0.96, p < .01, r 2 = 0.92. Pekali penentuan
menunjukkan bahawa 92% daripada varians dalam skor Fizik berkait dengan
varians dalam skor Matematik .

df = n 2 = 30-2 = 28

CCM PPIP USM 2012

Langkah 5: Buat kesimpulan

Ingat:
Korelasi tidak semestinya bermaksud perkaitan
antara sebab dan akibat (causation/causality )
Korelasi antara skor Matematik dan skor Fizik
yang signifikan tidak semestinya bermaksud skor
Matematik yang tinggi mengakibatkan skor Fizik
yang tinggi)
Terdapat variabel-variabel lain yang mungkin
mengakibatkan skor Fizik yang tinggi seperti
masa belajar Fizik, IQ, dll.
CCM PPIP USM 2012

7. Menguji r untuk kesignifikanan

statistik

Contoh 2:
Jadual 2 menunjukkan skor Bahasa Malaysia
dan skor Bahasa Inggeris bagi 30 orang
murid
Uji sama ada terdapat hubungan yang
signifikan antara skor Bahasa Malaysia dan
skor Bahasa Inggeris pada aras signifikan
0.05
CCM PPIP USM 2012

Jadual 2
Skor BM

Skor BI

Skor BM

Skor BI

42

29

84

72

45

53

45

48

45

48

45

53

38

38

38

38

48

49

48

49

50

46

50

46

38

41

38

41

44

42

44

42

48

44

48

44

53

37

53

37

60

76

60

76

62

38

62

38

73

55

73

55

80

60

80

60

84

72

42 2012
CCM PPIP USM

29

Langkah 1: Nyatakan hipotesis nol dan

hipotesis alternatif
Ho : Tidak terdapat hubungan yang signifikan antara
skor Bahasa Malaysia dan skor Bahasa Inggeris
dalam populasi
H1 : Terdapat hubungan yang signifikan secara statistik
antara skor Bahasa Malaysia dan skor Bahasa
Inggeris dalam populasi
Atau
Ho : = 0
H1 : 0
CCM PPIP USM 2012

Langkah 2: Tetapkan aras signifikan

untuk menolak hipotesis nol

Tetapkan nilai = 0.05

Jika p .05, maka hipotesis nol ditolak

Jika p > .05, maka hipotesis nol gagal ditolak

CCM PPIP USM 2012

Langkah 3: Analisis data dengan

menggunakan SPSS
Ujian normaliti dengan menggunakan SPSS:
Bina fail data.
Analyse > Descriptive Statistics > Explore
Pindahkan kedua-dua variabel ke kotak Dependent

List:
Statistics > taip 95 > Continue
Plots > Normality plots with tests
Continue > OK

CCM PPIP USM 2012

Tests of Normality
Kolmogorov-Smirnova
Statistic

df

Skor Bahasa
.209
30
Malaysia (X)
Skor Bahasa
.249
30
Inggeris (Y)
a. Lilliefors Significance Correction

Sig.

Shapiro-Wilk
Statistic

df

Sig.

.002

.859

30

.001

.000

.794

30

.000

Hipotesis nol bagi ujian Kolmogorov-Smirnov ditolak kerana p < .05. Maka
skor Bahasa Malaysia diandaikan tidaka bertaburan secara normal dalam
populasi. Tetapi, saiz sampel 30 tidak banyak mempengaruhi ketepatan
ujian Pearson r (Yockey, 2008).
Hipotesis nol bagi ujian Kolmogorov-Smirnov ditolak kerana p < .05. Maka
skor Bahasa Malaysia diandaikan tidaka bertaburan secara normal dalam
populasi. Tetapi, saiz sampel 30 tidak banyak mempengaruhi ketepatan
ujian Pearson r (Yockey, 2008).
CCM PPIP USM 2012

Langkah 3: Jalankan analisis dengan

menggunakan SPSS
Ujian pekali korelasi Pearson r dengan
menggunakan SPSS:
1. Analyze > Correlate > Bivariate
2.
Pindahkan kedua-dua variabel ke ruangan
3.

Variables
Pearson

4.

OK
CCM PPIP USM 2012

Langkah 4: Buat keputusan tentang

hipotesis nol
Correlations
Pearson
Correlation
Skor Bahasa Malaysia
Sig. (2-tailed)
(X)
N
Pearson
Correlation
Skor Bahasa Inggeris
Sig. (2-tailed)
(Y)
N

Skor Bahasa Skor Bahasa

Malaysia (X) Inggeris (Y)
1
.027
.889
30
30
.027
1
.889
30
30

Hipotesis nol gagal ditolak kerana p > .05

CCM PPIP USM 2012

Langkah 5: Buat kesimpulan

Correlations

Pearson
Correlation
Skor Bahasa Malaysia
Sig. (2-tailed)
(X)
N
Pearson
Correlation
Skor Bahasa Inggeris
Sig. (2-tailed)
(Y)
N

Skor Bahasa Skor Bahasa

Malaysia (X) Inggeris (Y)
1
.027
.889
30
30
.027
1
.889
30
30

Tidak terdapat hubungan yang signifikan antara skor Bahasa Malaysia dan
skor Bahasa Inggeris, r(28) = .03, p > .05, r 2 = 0.00. Pekali penentuan
menunjukkan bahawa 0% daripada varians dalam skor Bahasa Inggeris
berkait dengan varians dalam skor Bahasa Malaysia.

df = n 2 = 30 - 2 = 28

CCM PPIP USM 2012