Interpretasi Koefisien Korelasi Pearson SPSS: Tabel & Contoh

Interpretasi Koefisien Korelasi Pearson

Interpretasi koefisien korelasi Pearson dilakukan dengan membaca dua nilai pada output SPSS: nilai signifikansi (Sig. 2-tailed) untuk menentukan apakah hubungan signifikan (< 0.05), dan nilai koefisien korelasi (r, rentang -1 sampai +1) untuk menilai kekuatan serta arah hubungan antar variabel.

Untuk memahami jenis-jenis korelasi dan cara memilihnya, lihat panduan lengkap analisis korelasi.

Butuh cek nilai r tabel untuk N dan taraf signifikansi tertentu? Pakai Tabel Statistik Interaktif kami — hasilnya langsung dihitung otomatis, tidak perlu mencari-cari di tabel cetak.

Langkah-langkah analisis korelasi di artikel cara uji korelasi Pearson di SPSS telah mengantarkan Anda untuk mendapatkan output yang ditunjukkan oleh SPSS. Berikut cara membaca dan menginterpretasikan output tersebut.

Pertama kita harus memahami hipotesis yang akan di jawab oleh uji korelasi pearson. Hipotesis uji korelasi pearson sebagai berikut:

H0 : Tidak terdapat hubungan yang signifikan antara Persentase Penduduk Miskin dan IPM (P-value > 0.05)

H1 : Terdapat hubungan yang signifikan antara Persentase Penduduk Miskin dan IPM (P-value < 0.05)

Highlight Kuning menunjukkan nilai korelasi antara variabel Persentase Kemiskinan dan IPM, yaitu sebesar -0,674. Untuk menginterpretasikan kekuatan hubungan, yang dilihat adalah angkanya. Sedangkan untuk menginterpretasikan arah hubungan, yang dilihat adalah tandanya.

Dengan menggunakan panduan tabel interpretasi koefisien korelasi di bawah ini, bisa kita ketahui bahwa angka korelasi ada di range 0,60 sampai 0,79. Yang artinya, keeratan hubungan antara Persentase Kemiskinan dan IPM tergolong kuat.

Tabel Interpretasi Koefisien Korelasi Pearson:

Nilai r selalu berada pada rentang -1 sampai +1. Tanda (+/–) menunjukkan arah hubungan (positif atau negatif), sedangkan angkanya menunjukkan kekuatan hubungan sesuai tabel di atas. 

Dengan melihat tandanya yang negatif, artinya hubungan antara Persentase Kemiskinan dan IPM adalah negatif. Artinya, bila Persentase Kemiskinan meningkat, IPM menurun. Begitu juga sebaliknya.

Garis Merah di tabel output menunjukkan nilai p-value, yaitu 0.000. Nilai ini kurang dari  alpha (5%), maka terbukti bahwa dengan tingkat signifikansi 5% bahwa variabel Kemiskinan dan IPM memiliki korelasi yang signifikan secara statistik.

Dengan informasi di atas, bisa disimpulkan bahwa variabel persentase kemiskinan dan IPM memiliki hubungan yang kuat, negatif, dan signifikan.

Kenapa Ambang Batasnya Sig. < 0,05, Bukan Angka Lain?

Ambang 0,05 (5%) adalah konvensi ilmiah yang berarti kita menerima maksimal 5% kemungkinan salah menyimpulkan "ada hubungan" padahal sebenarnya tidak ada (disebut Type I error). Ini bukan angka ajaib — beberapa bidang riset (misalnya kedokteran) memakai ambang lebih ketat (0,01), sementara riset eksploratif kadang memakai 0,10. Yang penting: tentukan ambangmu sebelum melihat hasil, bukan menyesuaikan ambang supaya hasilnya "signifikan."

Contoh Kasus: Signifikan Tapi Lemah (Sampel Besar)

Ini kasus yang sering membingungkan: dengan sampel besar (misalnya n = 500), korelasi sekecil r = 0,09 bisa saja tetap signifikan (Sig. = 0,041 < 0,05) — padahal r = 0,09 masuk kategori "Sangat Rendah" di tabel. Kenapa bisa begitu? Karena signifikansi statistik sangat dipengaruhi ukuran sampel — semakin besar n, semakin kecil korelasi yang dibutuhkan untuk jadi "signifikan." Signifikan secara statistik ≠ penting secara praktis. Saat melaporkan hasil, sebutkan keduanya: signifikansinya dan kekuatannya (r), jangan berhenti di "signifikan" saja.

Sebaliknya, dengan sampel kecil (misalnya n = 20), korelasi yang terlihat besar seperti r = 0,40 ("Sedang/Cukup") bisa saja tidak signifikan (Sig. = 0,081 > 0,05) — karena sampel kecil tidak cukup kuat secara statistik untuk memastikan hubungan itu bukan kebetulan. Ini kenapa ukuran sampel penting dipertimbangkan sejak desain penelitian, bukan cuma saat mengolah data.

Mau cek r tabel untuk N tertentu tanpa cari-cari di tabel cetak? Pakai Tabel Statistik Interaktif kami, atau langsung hitung korelasimu sendiri dengan Kalkulator Korelasi Pearson.

Sumber data :

• Badan Pusat Statistik (bps.go.id) (IPM)
• Badan Pusat Statistik (bps.go.id) (Persentase Penduduk Miskin Semester 2 – Atau kita sebut variabel Miskin)

Kesalahan Umum Interpretasi Korelasi Pearson

1. Menyimpulkan korelasi sebagai sebab-akibat (kausalitas). Ini kesalahan paling umum — korelasi hanya menunjukkan keeratan hubungan, bukan siapa memengaruhi siapa. Butuh analisis regresi atau desain eksperimen untuk bicara kausalitas.
2. Memakai Pearson tanpa mengecek asumsi normalitas dan skala data lebih dulu. Korelasi Pearson mensyaratkan data interval/rasio yang berdistribusi normal. Kalau datamu ordinal atau tidak normal, pakai korelasi Spearman sebagai gantinya (baca perbandingannya di Analisis Korelasi: Rumus, Jenis & Cara Interpretasi).
3. Hanya lihat r, lupa cek Sig. — atau sebaliknya, hanya lihat Sig. tanpa lihat r. Keduanya harus dibaca bersamaan: r menunjukkan kekuatan+arah, Sig. menunjukkan apakah hubungan itu bisa dipercaya bukan kebetulan (lihat contoh kasus di atas soal sampel besar/kecil).
4. Mengabaikan pengaruh ukuran sampel terhadap signifikansi. Sampel besar bisa membuat korelasi kecil jadi "signifikan," sampel kecil bisa membuat korelasi besar jadi "tidak signifikan" — jangan menyimpulkan kekuatan hubungan hanya dari status signifikan/tidaknya.

> Catatan dari Ujang, Statistical Analyst: Kesalahan nomor 3 yang paling sering saya lihat dari mahasiswa yang terburu-buru — cuma screenshot angka r-nya doang buat laporan, padahal Sig.-nya di atas 0,05 (artinya tidak signifikan). Selalu cek dua-duanya sebelum menyimpulkan apa pun dari tabel korelasi.

Jika kamu membutuhkan bantuan mengolah data SPSS untuk skripsi, tesis, atau disertasi secara menyeluruh. Kami menawarkan Jasa Olah Data SPSS selesai dalam 1–2 hari.