PPT KS GS 312.pptx
- 1. SUMMARY HUBUNGAN ANTAR VARIABEL Diajukan Oleh : Citra Putri Perdana Yuda 21633251050 PROGRAM PASCA SARJANA PENDIDIKAN JASMANI UNIVERSITAS NEGERI YOGYAKARTA 2022
- 2. HUBUNGAN ANTAR VARIABEL Hal Yang Dianalisis Dalam Penelitian Korelasi Korelasi melibatkan dua variabel, seperti hubungan antara tinggi dan berat badan. Ini juga melibatkan tiga variabel atau lebih, seperti ketika seorang peneliti meneliti hubungan antara kriteria (variabel dependen) seperti kebugaran kardiorespirasi dan dua variabel predictor atau lebih (variabel independen) seperti berat badan, persentase lemak, kecepatan, dan daya tahan otot. Teknik ini termasuk korelasi ganda. Memahami Sifat Korelasi 1. Korelasi Positif 2. Korelasi Negatif 3. Pola Hubungan 4. Korelasi dan Penyebabnya 5. Korelasi Momen Produk Pearson
- 3. MEMAHAMI SIFAT KORELASI Korelasi Positif Korelasi positif muncul ketika nilai kecil untuk satu variabel dikaitkan dengan nilai kecil variabel lain dan nilai besar untuk satu variabel dikaitkan dengan nilai besar variabel lain. Contoh yaitu sebagai berikut: Dapat dilihat dari gambar diatas bahwa ilustrasi grafis dari korelasi positif sempurna yang melibatkan seorang anak laki-laki. Perhatikan berat badan Bill adalah 70 lb (32 kg) dan ukuran kekuatannya adalah 150 lb (68 kg). Data Dick adalah berat = 80 lb (36 kg) dan kekuatannya = 175 lb (79 kg); peningkatan berlanjut melalui data Tom, di mana berat = 110 lb (50 kg) dan kekuatannya = 250 lb (113 kg). Jadi, ketika nilainya sudah tergambar, mereka membentuk garis diagonal lurus sempurna. Ini adalah korelasi sempurna (r = 1,00). Posisi relatif dari angka-angka anak laki-laki tersebut adalah identik dalam dua distribusi. Dengan kata lain, setiap anak laki-laki memiliki jarak relatif yang sama dari rata-rata setiap set angka. Akal sehat kita memberi tahu bahwa korelasi sempurna tidak ada dalam sifat, kemampuan, dan kinerja manusia karena ada yang disebut variabilitas dan pengaruh lainnya
- 4. MEMAHAMI SIFAT KORELASI Korelasi Negatif Korelasi negatif terjadi ketika hubungan antara dua variabel di mana nilai kecil untuk variabel pertama dikaitkan dengan nilai yang besar untuk variabel kedua atau sebaliknya yaitu nilai yang besar untuk variabel pertama dikaitkan dengan nilai kecil untuk variabel kedua. Contoh korelasi negatif yaitu sebagai berikut: Berdasarkan gambar diatas, telah merancang data PGA untuk jarak gerak dibandingkan dengan akurasi gerak. Korelasinya adalah r = –.594, p < .001, df = 28, artinya korelasinya negatif. Menggiring bola ke jarak yang lebih jauh berhubungan negatif dengan menggiring bola ke dalam petak fairway. Hubungan ini ditunjukkan pada gambar 2 di mana pola umum titik data adalah dari kiri atas ke kanan bawah. Ini adalah korelasi negatif. Korelasi negatif sempurna akan bergaris lurus diagonal pada sudut 45° (sudut kiri atas grafik ke sudut kanan bawah). Gambar 2 menggambarkan korelasi negatif dengan derajat sedang (r = – .594), tetapi pola kiri atas ke kanan bawah masih terlihat
- 5. MEMAHAMI SIFAT KORELASI Pola Hubungan Dalam korelasi terdapat pola-pola hubungan, seperti pola hubungan positif dan pola hubungan negatif. Namun ketika hampir tidak ada hubungan antara variabel, korelasinya adalah .00. Berikut adalah contoh hipotesis dari empat pola hubungan antara dua variabel: Berdasarkan gambar diatas, gambar 3a adalah hubungan positif seperti yang dijelaskan sebelumnya. Gambar 3b adalah hubungan negative yang juga dijelaskan sebelumnya. Jika hampir tidak ada hubungan antara variabel, korelasinya adalah .00, seperti yang ditunjukkan pada gambar 3c. Contoh ini menunjukkan kebebasan antara set skor. Skor yang dirancang tidak menunjukkan pola sama sekali. Akhirnya, dua variabel mungkin tidak memiliki hubungan linier tetapi masih dapat berhubungan, seperti pada gambar 3d, yang menunjukkan hubungan lengkung
- 6. MEMAHAMI SIFAT KORELASI Korelasi dan Penyebabnya Pada titik ini kita harus menekankan lagi bahwa korelasi antara dua variabel tidak berarti bahwa satu variabel memengaruhi variabel lain. Dalam studi Ziv tahun 1988 tentang efektivitas pengajaran dan pembelajaran dengan humor, peserta eksperimen diberi sebuah cerita untuk menggambarkan fakta bahwa korelasi tidak menunjukkan efek sebab akibat. Korelasi Momen Produk Pearson Simbol r menunjukkan koefisien korelasi momen produk pearson. Jenis korelasi ini memiliki satu variabel kriteria (atau dependen) dan satu variabel prediktor (atau independen). Dengan demikian, setiap peserta memiliki dua skor, seperti jarak mengemudi dan akurasi mengemudi. Asumsi penting untuk penggunaanr adalah bahwa hubungan antar variabel diharapkan linier, yaitu bahwa garis lurus adalah model terbaik dari hubungan. Dengan rumus yaitu sebagai berikut:
- 7. PENGERTIAN KORELASI KOEFISIEN Menginterpretasi Keandalan Dari r Ada beberapa cara untuk menafsirkan r. Salah satu kriterianya adalah keandalannya atau signifikansinya. Dalam menggunakan tabel, pilih tingkat signifikansi yang diinginkan, seperti ,05 dan kemudian temukan derajat kebebasan yang sesuai (df, yang didasarkan pada jumlah peserta yang dikoreksi untuk bias sampel), yang untuk r adalah sama dengan N-2. Menginterpretasi Makna r Interpretasi korelasi untuk signifikansi statistik adalah penting, tetapi karena besarnya pengaruh ukuran sampel, kriteria ini tidak selalu bermakna. Kriteria yang paling umum digunakan untuk menafsirkan kebermaknaan korelasi koefisien adalah koefisien determinasi (r2). Transformasi Z Dari r Semakin tinggi korelasinya, baik ke arah positif atau negatif, distribusinya semakin miring. Metode yang paling memuaskan untuk mendekati normalitas dari distribusi sampling hubungan linier adalah dengan mentransformasikan koefisien korelasi menjadi Z nilai-nilai. Ini sering disebut Fisher Z Transformasi, yaitu merupakan sebuah metode pendekatan normalitas dari distribusi sampling hubungan linier dengan mengubah koefisien korelasi ke Z nilai-nilai.
- 8. MENGGUNAKAN KORELASI UNTUK PREDIKSI Bekerja Dengan Persamaan Regresi Verducci (1980) memberikan salah satu contoh terbaik dalam memperkenalkan persamaan regresi mengenai gaji bulanan dan pendapatan tahunan. Jika tidak ada sumber pendapatan lain, kita dapat memprediksi dengan akurat pendapatan tahunan, misalnya, guru hanya dengan mengalikan gaji bulanan mereka dengan 12. Gambar diatas mengilustrasikan hubungan yang sempurna ini. Dengan memplot gaji bulanan (X, atau variabel prediktor), pendapatan tahunan yang diprediksi (Y, atau variabel kriteria) dapat diperoleh. Jadi, jika kita mengetahui bahwa seorang guru (misalnya, Ms. Brooks) memperoleh gaji bulanan sebesar $1.750, kita dapat dengan mudah memplot ini pada grafik di mana $1.750 pada sumbu horizontal (x) (absis) memotong sumbu vertikal (y) (ordinatnya) seharga $21.000. Persamaan untuk prediksi (Ŷ, prediksi pendapatan tahunan) dengan demikian = 12X. Dalam contoh ini, gaji bulanan guru (X) dimasukkan ke dalam rumus: = 12(1.750) = 21.000
- 9. Korelasi Parsial Korelasi semiparsial adalah teknik di mana hanya satu variabel yang dipisahkan (yaitu, efek yang dihilangkan) dari dua variabel dalam satu korelasi. Dalam beberapa situasi, peneliti mungkin ingin menghilangkan efek variabel dari hanya satu variabel yang dikorelasikan. Ini disebut korelasi semiparsial. Simbolnya adalah r 1(2·3), yang menunjukkan bahwa hubungan antara variabel 1 dan 2 ditentukan setelah pengaruh variabel 3 terhadap variabel 2 dihilangkan. Prosedur Untuk Regresi Berganda Regresi berganda melibatkan satu variabel dependen (biasanya semacam kriteria) dan dua atau lebih variabel prediktor (variabel independen). Penggunaan lebih dari satu variabel prediktor biasanya meningkatkan akurasi prediksi. Regresi berganda merupakan model yang digunakan untuk memprediksi kriteria dari dua atau lebih independen, atau prediktor, variabel. Regresi Logistik Regresi logistik adalah sebuah pendekatan untuk membuat model prediksi seperti halnya regresi linear atau yang biasa disebut dengan istilah Ordinary Least Squares (OLS) regression. Perbedaannya adalah pada regresi logistik, peneliti memprediksi variabel terikat yang berskala dikotomi.
- 10. Analisis Fungsi Diskriminan Analisis fungsi diskriminan (DFA) adalah jenis lain dari persamaan prediksi, tetapi dalam hal ini variabel yang diprediksi adalah keanggotaan kelompok. Saat menggunakan DFA, peneliti menggunakan data (berbagai variabel prediktor dan kelompok yang sebenarnya ada di setiap individu) untuk membuat persamaan yang dapat digunakan ketika informasi keanggotaan kelompok tidak tersedia atau tidak ada. Peneliti dapat memeriksa, berdasarkan variabel prediktor terbaik, kelompok mana yang diprediksi menjadi anggota dan keberhasilan prediksi secara keseluruhan (prediksi mana yang persamaannya benar).
- 11. BENTUK KORELASI MULTIVARIAT Korelasi Kanonik Korelasi kanonik adalah perpanjangan dari korelasi ganda (beberapa prediktor dan satu kriteria) ke analisis yang memiliki beberapa prediktor dan beberapa kriteria, yang diwakili oleh symbol Rc. Dalam korelasi ganda, komposit linier terbentuk dari variabel prediktor yang secara maksimal memprediksi variabel kriteria tunggal. Dalam korelasi kanonik, dua komposit linier terbentuk: salah satu variabel prediktor dan salah satu variabel kriteria. Kedua komposit ini dibentuk untuk memaksimalkan hubungan di antara mereka. Analisis Faktor Banyak variabel dan karakteristik kinerja yang digunakan untuk menggambarkan perilaku manusia. Seringkali, mengurangi serangkaian besar kinerja dan ukuran karakteristik menjadi struktur yang lebih mudah dikelola berguna. Kami telah membahas kemungkinan bahwa dua ukuran kinerja mungkin sampai batas tertentu menilai karakteristik dasar yang sama. Pemodelan Persamaan Struktural Analisis jalur dan hubungan struktural linier (LISREL) adalah teknik pemodelan struktural, atau kausal, yang digunakan untuk menjelaskan cara karakteristik tertentu berhubungan satu sama lain dan berusaha untuk menyiratkan sebab. Cara yang baik untuk mendapatkan pemahaman dasar tentang LISREL adalah melalui contoh dari literatur pendidikan jasmani.
- 12. That’s all. Thank you! .