Want to create interactive content? It’s easy in Genially!

Reuse this genially

ANALISIS KORELASI SPEARMAN

Wildan Permana

Created on June 18, 2021

Start designing with a free template

Discover more than 1500 professional designs like these:

Happy Holidays Video

Elves Christmas video

HALLOWEEN VIDEO MOBILE

Halloween Illustrated Video

Halloween video

Birthday Party Invitation

Video Tutorial Mobile

Transcript

Analisis Korelasi Spearman

Biostatistika Inferensial D

Analisis Spearman merupakan analisis statistik yang termasuk dalam statistika non parametrik yang bertujuan untuk menganalisis hubungan antara dua atau lebih variabel.

(Santoso, 2017)

Tujuan Uji Spearman

  1. Mengetahui korelasi
  2. Melihat tingkat kekuatan hubungan
  3. Melihat arah hubungan antar variabel
  4. Membuktikan ada atau tidak signifikansi hubungan antara dua variabel

Asumsi Uji Spearman

  1. Distribusi data tidak diketahui / tidak normal
  2. Skala data: Ordinal

Hipotesis

  1. Ho : Tidak terdapat hubungan yang signifikan antara variable X dan Y
  2. H1 : Terdapat hubungan yang signifikan antara variable X dan Y

Keputusan

  1. Hitung manual : H0 diterima, R hitung < R table
  2. Dengan SPSS : H0 diterima, jika p value > α (0,05)

Kekuatan Hubungan antar variabel

Signifikansi Hubungan antar Variabel

Hitung Manual

H0 diterima, R hitung < R table, maka tidak terdapat hubungan yang signifikan antara variable X dan YH1 : Terdapat hubungan yang signifikan antara variable X dan Y

H0 ditolak, R hitung > R table, maka terdapat hubungan yang signifikan antara variable X dan YH1 : Terdapat hubungan yang signifikan antara variable X dan Y

Hitung SPSS

H0 diterima, jika p value > α (0,05), maka tidak terdapat hubungan yang signifikan antara variable X dan YH1 : Terdapat hubungan yang signifikan antara variable X dan Y

H0 ditolak, jika p value < α (0,05), maka terdapat hubungan yang signifikan antara variable X dan YH1 : Terdapat hubungan yang signifikan antara variable X dan Y

Arah Hubungan

+ (positif) : semakin tinggi nilai variabel X maka semakin tinggi variable Y- (negative) : semakin tinggi nilai variabel X, maka semakin rendah nilai variabel Y