Penelitian korelasional adalah penelitian yang menghubungkan dua (atau lebih) variabel pengukuran dari kelompok yang sama, sedangkan penelitian ex post facto membandingkan dua (atau lebih) kelompok variabel yang sama. Pada penelitian ini menemukan suatu hubungan antara dua variabel, peneliti mengatakan bahwa variabel tersebut berkorelasi. Di dalam korelasi, variabel-variabel dianggap sejajar, artinya tidak ada variabel bebas (prediktor) dan variabel terikat (respon) seperti halnya regresi linier. Kekuatan dan arah hubungan dijelaskan dengan suatu indeks kuantitatif disebut koefisien korelasi. koefisien menunjukkan arah hubungan. Jika koefisien mempunyai tanda positif, ini berarti bahwa jika salah satu variabel meningkat, yang lain juga meningkat. Contoh, korelasi antara tinggi dan berat badan adalah positif, karena orang-orang tinggi cenderung lebih berat dan orang-orang pendek lebih ringan. Koefisien negatif menunjukkan bahwa sebagai salah satu variabel meningkat sedangkan yang lain menurun. Nilai koefisien korelasi menunjukkan kekuatan hubungan dari variabel-variabel. Koefisien yang nilainya berkisar dari 1,00 (menunjukkan hubungan positif yang sempurna), 0 (menunjukkan tidak ada hubungan) untuk -1,00 (menunjukkan hubungan negatif).
DESAIN STUDI KORELASIONAL
Dalam studi korelasional sederhana, para peneliti berfokus pada pengumpulan dua atau lebih data pengukuran dari suatu kelompok mata pelajaran. Contoh korelasional yang khas, mungkin pertanyaan penelitian. “Apakah ada hubungan antara kemampuan kuantitatif dan prestasi di bidang sains di kalangan pelajar sekolah menengah?” Anda mungkin menyatakan suatu hipotesis bahwa dua variabel dinyatakan dalam bentuk atau dalam arah hubungan yang positif atau negatif. Peneliti akan meramalkan kemungkinan besar hubungan positif yang signifikan antara kemampuan kuantitatif siswa dan prestasi mereka di bidang sains.
koefisien korelasi dipengaruhi oleh kecukupan alat pengukur untuk tujuan dimaksud. Sebagai contoh, instrumen yang terlalu mudah atau terlalu sulit bagi subyek penelitian tidak akan membedakan di antara mereka dan akan menghasilkan koefisien korelasi yang lebih kecil. Studi menggunakan instrumen dengan tingkat akurasi realibilitas rendah dan dipertanyakan validitasnya tidak mungkin untuk mendapat hasil yang bermanfaat.
Selanjutnya peneliti memilih sampel untuk mewakili populasi. Sebagai contoh, jika seorang peneliti ingin menggeneralisasi hasil dari studi korelasional kemampuan matematika dan prestasi sains untuk semua siswa sekolah menengah di sebuah daerah, maka sampel acak dari semua murid di daerah itu harus ditarik.
Akhirnya, para peneliti mengumpulkan data kuantitatif pada dua atau lebih variabel untuk siswa dalam sampel dan kemudian menghitung koefisien korelasi. Bahkan sebelum menghitung koefisien, peneliti harus melihat plot atau grafik hubungan antara variabel-variabel. Kebanyakan prosedur korelasional mengasumsikan hubungan linear antara variabel-variabel.
KOEFISIEN KORELASI
Koefisien korelasi adalah rangkuman statistik tentang tingkat dan arah dari hubungan antara dua varibel. Rangkuman tersebut menggunakan angka yang mempunyai rentang antara +1,00 dan -1,00. Koefisien korelasi menunjukkan tingkat (kuat atau lemah) dan arah (positif atau negatif) antara dua variable.
Ada beberapa teknik statistik yang dapat digunakan untuk mendapatkan nilai koefisien korelasi, tetapi penafsiran yang diperoleh pada dasarnya tidak berbeda, a.l:
– Koefisien Korelasi Moment Product Pearson’s
Koefisien korelasi momen produk Pearson, dilambangkan r, yang paling banyak digunakan pada korelasi statistik deskriptif. koefisien Pearson cocok untuk digunakan ketika variabel yang akan berkorelasi terdistribusi normal dan diukur pada skala interval atau rasio.
Koefisien Korelasi Spearman Rho
Spearman’s rho (r), adalah koefisien korelasi ordinal, digunakan untuk data peringkat dari skor mentah. Spearman rho ditafsirkan sama seperti Pearson r. Seperti koefisien korelasi Pearson produk moment, yaitu antara -1,00 ke +1,00. Ketika setiap individu memiliki peringkat yang sama pada kedua variabel, maka korelasi rho akan +1,00, dan ketika barisan mereka di satu variabel persis kebalikan dari jajaran mereka pada variabel lain, rho akan -1,00. Jika tidak ada hubungan sama sekali antara peringkat, peringkat koefisien korelasi akan 0.
Koefisien Phi
koefisien phi ini digunakan jika kedua variabel r, menggunakan dikotomi asli. Sebagai contoh, Koefisien phi akan digunakan untuk menggambarkan hubungan antara jenis kelamin siswa sekolah menengah (pria = 1 dan wanita = 2), dan kelanjutan pendidikan (drop out = 1 dan selesai = 2) yang dilambangkan F
KORELASI DAN KAUSALITAS
Korelasi adalah hubungan matematis antara dua hal yang diukur. Hal ini diberikan sebagai nilai antara 0 dan 1. Sebuah korelasi disebut 0 berarti ada dua hal yang tidak berkaitan, jika diberikan nilai yang pertama, maka tidak ada cara untuk meramalkan nilai yang kedua. Sebuah korelasi disebut 1 berarti ada dua hal yang benar-benar terkait, nilai yang pertama selalu memprediksi nilai yang kedua. Sebagai contoh, katakanlah Anda mengukur tinggi dan berat dari sekelompok orang. Ini memiliki korelasi yang tinggi, sekitar 0.8. Tinggi adalah prediktor yang baik terhadap berat badan, dan sebaliknya. Sekarang Anda gunakan kelompok yang sama dan warna mata diukur. Ada korelasi yang rendah antara warna mata dan tinggi, hampir mendekati 0.
Kausalitas juga merupakan hubungan antara dua hal, tetapi itu bukan matematika, itu adalah fisik (atau filsafat). Sesuatu akan menyebabkan sesuatu yang lain jika ada rangkaian peristiwa antara hal pertama dan hal kedua, masing-masing akan menyebabkan hal berikutnya terjadi secara berantai. Kausalitas melibatkan waktu hal pertama terjadi, dan kemudian hal yang kedua terjadi sebagai akibatnya. Kita sebut hal pertama adalah penyebabnya, dan yang kedua adalah efek, berbeda dengan korelasi.
KORELASI PARSIAL DAN BERGANDA
Korelasi parsial adalah korelasi antara sebuah variabel tak bebas dengan sebuah variabel bebas tertentu dengan variabel-variabel bebas lain dianggap tetap/konstan.
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.
Korelasi berganda merupakan korelasi dari beberapa variabel bebas secara serentak dengan variabel terikat.
Analisis Diskriminan
Analisis diskriminan adalah analisis multivariat yang diterapkan untuk memodelkan hubungan antara satu variabel respon yang bersifat kategori dengan satu atau lebih variabel prediktor yang bersifat kuantitatif (Tatham, Hair, Anderson, dan Black, 1998). Fungsi ini dibentuk dengan memaksimumkan jarak antar kelompok, sehingga memiliki kemampuan untuk membedakan antar kelompok. Berdasarkan fungsi ini, pengamatan yang belum diketahui kelompoknya dapat ditentukan kelompoknya. Oleh karena itu, analisis diskriminan ini dapat dipergunakan sebagai metode pengklasifikasian. Dalam penerapannya, analisis ini mengasumsikan bahwa data pada masing-masing kategori/kelompok berdistribusi normal multivariat dan mempunyai struktur matrik varian-kovarian yang sama.
Menurut Johnson dan Wichern (1992), tujuan dari Analisis Diskriminan adalah untuk menggambarkan ciri-ciri suatu pengamatan dari bermacam-macam populasi yang diketahui, baik secara grafis maupun aljabar dengan membentuk fungsi diskriminan. Dengan kata lain Analisis Diskriminan digunakan untuk mengklasifikasikan individu ke dalam salah satu dari dua kelompok atau lebih.
ANALISIS FAKTOR
Prosedur lain yang digunakan secara luas didasarkan pada korelasi adalah analisis faktor. Analisis factor merupakan hal yang penting terutama karena metode ini berguna untuk menjelaskan secara eksplisit berbagai rumusan teoris atau konstruk.
Analisis faktor adalah alat analisis statistik yang dipergunakan untuk mereduksi faktor-faktor yang mempengaruhi suatu variabel menjadi beberapa set indikator saja, tanpa kehilangan informasi yang berarti, hingga sejumlah faktor tersebut mampu menjelaskan sebesar mungkin keragaman data yang dijelaskan oleh variabel asal. Sebagai ilustrasi, terdapat 50 indikator yang diidentifikasi mempunyai pengaruh terhadap keputusan pembelian konsumen. Dengan analisis faktor, ke-50 indikator tersebut akan dikelompokkan menjadi beberapa sub set indikator yang sejenis. Masing-masing kelompok sub set tersebut kemudian diberi nama sesuai dengan indikator yang mengelompok. Pengelompokan berdasarkan kedekatan korelasi antar masing-masing indikator dan penentuan banyaknya sub set, biasanya diambil di atas 1.
Analisis faktor digunakan untuk penelitian awal di mana faktor-faktor yang mempengaruhi suatu variabel belum diidentifikasikan secara baik (explanatory research). Selain itu, analisis faktor juga dapat digunakan untuk menguji validitas suatu rangkaian kuesioner. Sebagai gambaran, jika suatu indikator tidak mengelompok kepada variabelnya, tetapi malah mengelompok ke variabel yang lain, berarti indikator tersebut tidak valid.
KORELASI KANONIK
Korelasi kanonik merupakan ukuran hubungan antara kelompok yang terbentuk oleh Y dengan fungsi diskriminan yang ada. Ketika R adalah nol, maka hal ini dapat diartikan bahwa tidak ada hubungan di antara kelompok-kelompok yang ada dengan fungsi yang terbentuk. Sebaliknya apabila R-nya besar (mendekati 1), maka menunjukkan adanya korelasi yang tinggi antara fungsi diskriminan dengan kelompok yang ada. R ini digunakan untuk menjelaskan seberapa besar masing-masing fungsi berguna dalam menentukan perbedaan kelompok.
Korelasi kanonik adalah metode yang digunakan untuk mengetahui keeratan hubungan dari dua buah Group variabel. Korelasi kanonik termasuk ke dalam metode Statistika Multivariat, karena kita mengkorelasikan suatu grup variabel melawan grup variabel lainnya. Biasanya, di dalam masing-masing grup, terdapat lebih dari 1 variabel. Misal, grup A terdiri dari beberapa variabel dan grup B juga terdiri beberapa variabel.
Sebagai contoh dalam permasalahan jumlah waktu rata-rata yang digunakan siswa dalam mengerjakan tugas sehari-hari sebagai himpunan variabel bebas dan nilai beberapa mata pelajaran sebagai himpunan variabel terikat. Variabel bebas terdiri dari enam kategori yaitu waktu untuk belajar, tidur, santai, organisasi, bekerja dan olahraga. Sedangkan variabel terikat ada tiga yaitu nilai matematika, nilai bahasa inggris dan nilai Fisika.
Analisis korelasi kanonik digunakan untuk mengetahui keeratan hubungan antara himpunan variabel bebas dengan himpunan variabel terikat. Sedangkan fungsi kanonik digunakan untuk eksplanasi keeratan hubungan antar kelompok variabel.
ANALISIS JALUR
Analisis jalur adalah salah satu teknik analisis kuantitatif, merupakan pengembangan dari regresi linier berganda yang pada dasarnya ingin melihat hubungan kausalitas antara kejadian satu dan kejadian lain. Hubungan kausalitas yang ingin dilihat bisa berupa hubungan langsung maupun tidak langsung. Dengan demikian, perangkat lunak statistika yang mampu melakukan analisis regresi berganda dapat pula dipakai untuk analisis jalur. Subjek utama analisis ini adalah variabel-variabel yang saling berkorelasi.
Teknik ini mempunyai kelebihan dibandingkan dengan regresi linier karena model analisis jalur dapat menemukan pengaruh tidak langsung dalam hubungan antar variabel melalui variabel perantara. Dengan menggunakan analisis ini, peneliti akan memperoleh hasil analisis secara lebih akurat, tajam dan detail. Analisis ini populer di kalangan peneliti bidang ekonomi dan sosial. Namun demikian ilmu-ilmu lain dapat pula memanfaatkan teknik ini.
Teknik ini juga dikenal sebagai model sebab-akibat (causing modeling). Penamaan ini didasarkan pada alasan bahwa analisis jalur memungkinkan pengguna dapat menguji proposisi teoritis mengenai hubungan sebab dan akibat tanpa memanipulasi variabel-variabel. Memanipulasi variabel maksudnya ialah memberikan perlakuan (treatment) terhadap variabel-variabel tertentu dalam pengukurannya. Asumsi dasar model ini ialah beberapa variabel sebenarnya mempunyai hubungan yang sangat dekat satu dengan lainnya. Dalam perkembangannya saat ini analisis jalur diperluas dan diperdalam ke dalam bentuk analisis “Structural Equation Modeling” atau dikenal dengan singkatan SEM. Apabila peubah yang akan dilihat pola hubungannya berupa peubah laten (tak terukur), seperti peubah prestasi, kecemasan dan lainnya, maka lebih cocok menggunakan analisis SEM
Kegunaan analisis Jalur adalahUntuk menentukan variabel mana yang berpengaruh dominan dan jalur mana yang berpengaruh lebih kuat
RINGKASAN
Penelitian korelasional non experimental adalah penelitian yang mempelajari arah dan kekuatan hubungan antara variable
Prosedur Korelasional banyak digunakan dalam pendidikan dan penelitian psikologis. Memungkinkan para peneliti untuk lebih memahami fenomena tertentu dan untuk membuat prediksi.
Korelasi harus ditafsirkan dengan tepat.
Sejumlah jenis koefisien korelasi digunakan dengan variabel yang diukur pada berbagai jenis skala.
Korelasi berganda digunakan untuk mencari hubungan antara dua atau lebih variabel bebas dan variabel dependen.
Beberapa prosedur yang lebih canggih untuk korelasional, termasuk korelasi parsial, analisis diskriminan, analisis faktor, korelasi kanonik, dan analisis Jalur. Hal ini penting untuk mengetahui jenis penelitian atau situasi mana masing-masing dari teknik ini akan berguna.
***
(Source : Fitriani Nur, Mahasiswa PPs UNM Makassar | Prodi Pendidikan Matematika, 2008)
