📉 Kalkulator Korelasi

Memahami hasil korelasi Anda

Tabel di bawah ini menunjukkan skala deskriptif yang umum digunakan untuk menafsirkan kekuatan |r|. Rentang ini merupakan konvensi, bukan uji statistik, dan bidang yang berbeda terkadang menggunakan ambang batas yang berbeda.

• Nilai r Pearson secara khusus mengukur asosiasi linear. Dua variabel dapat memiliki hubungan nonlinear yang kuat dan berpola jelas (misalnya, kurva berbentuk U) namun tetap menghasilkan r yang mendekati 0, karena r tidak dapat mendeteksi kelengkungan.
• Korelasi tidak menyiratkan sebab-akibat: korelasi yang tinggi dapat muncul karena satu variabel menyebabkan variabel lainnya, karena variabel perancu ketiga memengaruhi keduanya, karena sebab-akibat terbalik, atau karena kebetulan dalam data.
• Karena r dihitung dari deviasi kuadrat, r sensitif terhadap outlier — satu titik data ekstrem dapat secara substansial menaikkan atau menurunkan koefisien korelasi.
• Nilai r Pearson mengasumsikan hubungan yang mendasarinya bersifat kira-kira linear dan bahwa data diukur pada skala interval atau rasio; untuk hubungan monoton namun nonlinear, ukuran berbasis peringkat seperti korelasi Spearman sering kali lebih tepat.

Apa itu koefisien korelasi Pearson?

Koefisien korelasi Pearson (r) mengukur kekuatan dan arah hubungan linear antara dua variabel numerik yang berpasangan. Nilainya berkisar dari −1 hingga +1: nilai mendekati +1 menunjukkan hubungan linear positif yang kuat (saat x meningkat, y cenderung meningkat), nilai mendekati −1 menunjukkan hubungan linear negatif yang kuat (saat x meningkat, y cenderung menurun), dan nilai mendekati 0 menunjukkan hubungan linear yang kecil atau tidak ada.

Kalkulator ini juga menampilkan R², koefisien determinasi, yang sama dengan r² dan menyatakan proporsi varians pada y yang dijelaskan secara statistik oleh hubungan linear dengan x. Kalkulator ini juga mencocokkan garis regresi kuadrat terkecil, yaitu garis lurus yang meminimalkan jumlah kuadrat jarak vertikal antara garis dan titik-titik data.

Korelasi yang kuat antara dua variabel tidak membuktikan bahwa satu variabel menyebabkan variabel lainnya. Korelasi adalah asosiasi statistik semata; membuktikan sebab-akibat memerlukan bukti tambahan, seperti eksperimen terkontrol atau studi yang dirancang dengan baik yang menyingkirkan variabel perancu dan sebab-akibat terbalik.

Cara menggunakan kalkulator korelasi ini

1. Masukkan nilai x sebagai daftar yang dipisahkan dengan ;, misalnya 1; 2; 3; 4.
2. Masukkan nilai y yang bersesuaian sebagai daftar yang dipisahkan dengan ;, dengan urutan dan panjang yang sama dengan nilai x, misalnya 2; 4; 6; 8.
3. Sediakan minimal 3 pasangan titik data — koefisien korelasi tidak bermakna dengan jumlah yang lebih sedikit.
4. Baca koefisien korelasi (r), R², kemiringan dan intersep garis regresi, serta persamaan garis regresi itu sendiri.

Rumus di balik korelasi Pearson dan regresi linear

Nilai r Pearson adalah jumlah hasil kali deviasi setiap variabel dari rata-ratanya sendiri, dibagi dengan akar kuadrat dari hasil kali jumlah kuadrat deviasi: r = Σ(xᵢ − x̄)(yᵢ − ȳ) / √[Σ(xᵢ − x̄)² × Σ(yᵢ − ȳ)²].

Garis regresi kuadrat terkecil, ŷ = kemiringan × x + intersep, menggunakan kemiringan = Σ(xᵢ − x̄)(yᵢ − ȳ) / Σ(xᵢ − x̄)² dan intersep = ȳ − kemiringan × x̄, dipilih untuk meminimalkan jumlah kuadrat jarak vertikal antara garis dan setiap titik data.

Contoh perhitungan: x = 1; 2; 3; 4 dan y = 2; 4; 6; 8 — garis lurus sempurna yang melalui titik asal dengan kemiringan 2. Ini menghasilkan r = 1 (korelasi linear positif sempurna), R² = 1, kemiringan = 2, intersep = 0, dan garis regresi ŷ = 2x.

Kesalahan umum

• Menafsirkan korelasi sebagai sebab-akibat — korelasi yang kuat antara dua variabel tidak membuktikan bahwa satu menyebabkan yang lain; variabel perancu ketiga, sebab-akibat terbalik, atau kebetulan dapat menghasilkan pola statistik yang sama.
• Mengasumsikan nilai r Pearson menangkap semua jenis hubungan antara dua variabel, padahal r hanya mengukur asosiasi linear — hubungan melengkung (nonlinear) yang kuat dapat menghasilkan r mendekati 0.
• Mengabaikan pengaruh outlier, yang dapat secara substansial menaikkan atau menurunkan r karena perhitungannya berdasarkan deviasi kuadrat.
• Mencampuradukkan r dengan kemiringan regresi — r adalah ukuran tanpa satuan untuk kekuatan dan arah asosiasi linear antara −1 dan +1, sedangkan kemiringan memiliki satuan y per satuan x dan bergantung pada skala data.
• Mengekstrapolasi garis regresi melampaui rentang nilai x yang teramati, di mana hubungan linear yang diestimasi dari data mungkin tidak lagi berlaku.

Pertanyaan yang sering diajukan

Referensi

1. Pearson K. Note on regression and inheritance in the case of two parents. Proceedings of the Royal Society of London 1895; 58: 240-242.
2. National Institute of Standards and Technology (NIST). NIST/SEMATECH e-Handbook of Statistical Methods — correlation and linear regression. nist.gov.
3. Moore DS, McCabe GP, Craig BA. Introduction to the Practice of Statistics. W. H. Freeman (correlation, least-squares regression).
4. Evans JD. Straightforward Statistics for the Behavioral Sciences. Brooks/Cole, 1996 (descriptive strength bands for |r|).
5. Chatterjee S, Hadi AS. Regression Analysis by Example. Wiley (least-squares regression and its assumptions).