Analisis Korelasi: Rumus, Jenis & Cara Interpretasi
Ringkasan Cepat
Analisis korelasi mengukur seberapa kuat dan ke arah mana hubungan antara dua variabel, dengan tiga jenis utama: korelasi Pearson (data numerik, normal, linear), korelasi Spearman (data ordinal atau tidak normal), dan Coefficient of Contingency (data kategorik).
Pengertian Korelasi
Korelasi adalah salah satu metode statistik yang digunakan untuk mengetahui hubungan antara dua variabel, dengan mengukur seberapa kuat dan ke arah mana hubungan itu terjadi. Biasanya uji korelasi ini akan sangat berhubungan dengan uji regresi yang menunjukkan apakah masing-masing variabel saling mempengaruhi. Meskipun variabel tersebut saling berhubungan erat atau berkorelasi, belum tentu variabel tersebut saling mempengaruhi.
Penting: Analisis korelasi tidak dapat digunakna untuk mengetahui sebab-akibat, hanya untuk mengetahui kuat dan lemahnya hubungan antar 2 variabel. Jika anda akan melakukan analisis sebab-akibat, lebih cocoknya anda menggunakan analisis regresi berganda atau regresi logistik.
Dalam korelasi, kita mengukur seberapa dekat hubungan antara dua variabel dengan menghitung koefisien korelasi menggunakan rumus koefisien korelasi yang sesuai jenis datanya. Koefisien korelasi dapat bernilai antara -1 dan 1, di mana nilai 1 menunjukkan hubungan yang sempurna positif, nilai -1 menunjukkan hubungan yang sempurna negatif, dan nilai 0 menunjukkan tidak ada hubungan antara kedua variabel.
Contoh Uji Korelasi
- untuk mengevaluasi hubungan antara tinggi badan dan berat badan seseorang
- untuk mengevaluasi hubungan antara pengalaman kerja dan gaji yang diterima
- hubungan antara jenis kelamin dan preferensi genre film
Jenis-Jenis Korelasi
Dalam analisis statistik, korelasi digunakan untuk mengukur hubungan antara dua variabel. Terdapat beberapa jenis korelasi yang umum digunakan, yaitu korelasi Pearson, korelasi Spearman, korelasi Kendall's Tau, dan korelasi untuk data kategorik (Coefficient of Contingency). Dalam artikel ini, kita akan membahas masing-masing jenis korelasi secara detail.
1. Korelasi Pearson
Korelasi Pearson adalah korelasi yang digunakan untuk mengukur hubungan linier antara dua variabel yang berskala interval atau rasio. Koefisien korelasi Pearson dapat bernilai antara -1 dan 1, di mana nilai 1 menunjukkan hubungan yang sempurna positif, nilai -1 menunjukkan hubungan yang sempurna negatif, dan nilai 0 menunjukkan tidak ada hubungan antara kedua variabel (lihat penjelasan lengkap koefisien korelasi di NIST/SEMATECH Engineering Statistics Handbook).
Contoh penggunaan korelasi Pearson adalah untuk mengevaluasi hubungan antara tinggi badan dan berat badan seseorang. Dalam hal ini, kita dapat mengukur koefisien korelasi Pearson untuk menentukan seberapa dekat hubungan antara kedua variabel tersebut.
Rumus Korelasi Pearson, dihitung dari kovarian dua variabel dibagi hasil kali simpangan bakunya:
Di mana Xᵢ dan Yᵢ adalah nilai observasi ke-i, X̄ dan Ȳ adalah rata-rata masing-masing variabel. Pembilang mengukur seberapa sejalan pergerakan kedua variabel dari rata-ratanya (kovarian), sedangkan penyebut menormalkan hasilnya supaya nilai r selalu berada di rentang -1 sampai +1, terlepas dari satuan aslinya (cm, kg, rupiah, dsb).
Mau langsung hitung tanpa hitung manual? Pakai Kalkulator Korelasi Pearson kami.
2. Korelasi Spearman
Korelasi Spearman adalah korelasi yang digunakan untuk mengukur hubungan antara dua variabel yang tidak bersyarat normal atau tidak memiliki hubungan linier yang kuat. Korelasi Spearman dapat digunakan untuk mengukur hubungan antara dua variabel yang berskala ordinal atau interval.
Contoh penggunaan korelasi Spearman adalah untuk mengevaluasi hubungan antara pengalaman kerja dan gaji yang diterima.
Rumus Korelasi Spearman, dihitung dari selisih ranking (bukan nilai mentah) tiap pasangan data:
Di mana dᵢ adalah selisih ranking pasangan data ke-i (ranking X dikurangi ranking Y), dan n adalah jumlah pasangan data. Karena yang dipakai adalah ranking, bukan nilai mentah, Spearman tidak terlalu terpengaruh outlier atau distribusi yang tidak normal — inilah kenapa uji ini jadi alternatif Pearson saat asumsi normalitas/linearitas tidak terpenuhi.
Malas hitung manual? Pakai Kalkulator Korelasi Spearman kami — otomatis menangani data kembar (ties), tinggal masukkan dua variabel.
3. Korelasi Kendall's Tau
Korelasi Kendall's Tau sama-sama dipakai untuk data ordinal atau data yang tidak berdistribusi normal seperti Spearman, tapi mengukur keselarasan urutan (ranking) pasangan data secara berbeda — Kendall's Tau menghitung proporsi pasangan data yang sejalan (concordant) dikurangi yang berlawanan (discordant) arah urutannya.
Kapan pilih Kendall's Tau, bukan Spearman?
- Sampel kecil (n < 30): Kendall's Tau umumnya lebih akurat dan lebih stabil untuk sampel kecil dibanding Spearman.
- Banyak data kembar (tied ranks) — misalnya banyak responden memberi nilai sama persis pada skala Likert: Kendall's Tau menangani data kembar lebih baik daripada Spearman.
- Selain itu, Spearman lebih umum dipakai karena lebih dikenal dan nilainya biasanya sedikit lebih besar dari Kendall's Tau untuk data yang sama — keduanya sama-sama valid, pilih salah satu dan konsisten menyebutkan alasannya di metodologi.
Contoh penggunaan Kendall's Tau adalah untuk mengevaluasi hubungan antara ranking kepuasan pelanggan dan ranking loyalitas pelanggan pada sampel kecil (misalnya 20 responden).
4. Korelasi Data Kategorik
Selain korelasi antar variabel kontinu, terdapat juga korelasi antara variabel kategorik. Korelasi ini dikenal dengan Coefficient of Contingency (C). C sering digunakan untuk mengukur kekuatan hubungan antara dua variabel kategorik dalam bentuk tabel silang (contingency table). Untuk menguji apakah hubungannya signifikan atau tidak dapat menggunakan uji chi-square
Contoh kasus penggunaan Coefficient of Contingency adalah ketika ingin mengetahui hubungan antara jenis kelamin dan preferensi genre film. Maka, dapat dibuat tabel silang (contingency table) yang menunjukkan jumlah responden berdasarkan jenis kelamin dan genre film yang disukai.
Catatan dari Lukman, Statistical Analyst: Kalau salah satu variabelmu berskala ordinal (misalnya tingkat kepuasan 1-5) atau datamu tidak lolos uji normalitas, jangan paksakan korelasi Pearson — pakai Spearman. Banyak mahasiswa terlanjur pakai Pearson padahal datanya jelas tidak memenuhi syarat.
Cara Memilih Jenis Korelasi
| Jenis Korelasi | Skala Data | Syarat | Rentang Nilai |
|---|---|---|---|
| Pearson | Interval/rasio, keduanya | Berdistribusi normal, hubungan linear | -1 sampai +1 |
| Spearman | Ordinal, atau interval/rasio tidak normal | Tidak butuh normalitas, hubungan monoton | -1 sampai +1 |
| Kendall's Tau | Ordinal, atau interval/rasio tidak normal | Sama seperti Spearman, tapi lebih baik untuk sampel kecil (n < 30) atau banyak data kembar (tied ranks) | -1 sampai +1 |
| Coefficient of Contingency | Kategorik (nominal), keduanya | Dihitung dari tabel silang (contingency table), signifikansi diuji lewat Chi-Square | 0 sampai +1 |
Mengartikan Kekuatan Korelasi
Setelah menghitung koefisien korelasi (r), langkah berikutnya adalah menginterpretasi seberapa kuat hubungan tersebut. Salah satu pedoman yang umum dipakai (Guilford, 1956):
| Nilai r (absolut) | Kekuatan Hubungan |
|---|---|
| 0,00 – 0,19 | Sangat lemah |
| 0,20 – 0,39 | Lemah |
| 0,40 – 0,59 | Sedang |
| 0,60 – 0,79 | Kuat |
| 0,80 – 1,00 | Sangat kuat |
Tanda pada nilai r (positif atau negatif) menunjukkan arah hubungan, bukan kekuatannya — r = -0,75 dan r = 0,75 sama-sama tergolong "kuat", hanya arahnya berlawanan (satu variabel naik saat yang lain turun, dan sebaliknya). Perlu diingat juga bahwa nilai r yang tinggi tidak otomatis berarti signifikan secara statistik — signifikansi tetap harus dicek lewat p-value (Sig. 2-tailed), terutama pada sampel kecil.
Kesalahan Umum Memilih & Menginterpretasi Korelasi
- Memakai Pearson tanpa cek normalitas dan linearitas dulu. Kesalahan paling umum — Pearson mensyaratkan data berdistribusi normal dan hubungan linear. Kalau tidak terpenuhi, gunakan Spearman atau Kendall's Tau.
- Menyimpulkan korelasi sebagai hubungan sebab-akibat. Korelasi hanya menunjukkan keeratan hubungan (asosiasi), bukan siapa memengaruhi siapa — butuh analisis regresi atau desain eksperimen untuk bicara kausalitas.
- Mengabaikan pengaruh ukuran sampel terhadap signifikansi. Sampel besar bisa membuat korelasi kecil jadi "signifikan," sampel kecil bisa membuat korelasi besar jadi "tidak signifikan" — selalu laporkan r dan Sig. bersamaan, jangan simpulkan kekuatan hubungan dari status signifikan saja.
- Bingung memilih antara Spearman dan Kendall's Tau lalu asal pilih. Kedua uji ini punya kegunaan yang tumpang tindih tapi tidak identik — lihat panduan pemilihannya di bagian Kendall's Tau di atas (sampel kecil dan data kembar → Kendall's Tau lebih disarankan).
> Catatan dari Lukman, Statistical Analyst: Kesalahan nomor 1 yang paling sering saya temui — mahasiswa langsung pakai Pearson karena "paling umum dipakai," padahal setelah dicek datanya jelas tidak berdistribusi normal. Selalu cek dulu jenis skala data dan normalitasnya sebelum memilih uji korelasi, jangan pilih berdasarkan yang paling familiar.
Langkah Selanjutnya
Setelah anda memahami penggunaan analisis korelasi dan jenis-jenis korelasi, selanjutnya kita akan belajar bagaimana cara menghitung dan menginterpretasi masing-masing jenis korelasi:
Jika kamu membutuhkan bantuan mengolah data statistik untuk skripsi, riset, atau kebutuhan bisnis secara menyeluruh. Kami menawarkan Jasa Olah Data Statistik selesai dalam 1–2 hari.
Pertanyaan yang Sering Diajukan
Referensi
- Pearson, K. (1895). Proceedings of the Royal Society of London, 58, 240-262.
- Spearman, C. (1904). American Journal of Psychology, 15(1), 72-101.
Siap Mengolah Data dengan Lebih Mudah?
Kalau kamu butuh kejelasan, panduan, atau mau kenal lebih dalam soal jasa kami.
Jadwalkan Meeting GratisTau teman yang butuh bantuan olah data juga? Ajak dia & dapat 10%, dia dapat diskon Rp50.000. Klik disini