Korelasi

Korelasi adalah ukuran statistik untuk mengetahui sejauh mana hubungan antara dua variabel atau lebih.

Data Analytics

Mau Belajar

Data Analytics

GRATIS?

Belajar di RevoU! Dapatkan skill digital paling in-demand langsung dari praktisi terbaik di bidangnya. Kelas online 100% LIVE, 1:1 career coaching, dan akses ke Community Hub dengan 6000+ member selamanya untuk support perkembangan karir kamu!

IKUT KURSUS GRATIS

Mau Belajar

Data Analytics

GRATIS?

Apa itu Korelasi?

Pengertian korelasi
Pengertian korelasi

Korelasi adalah ukuran statistik untuk mengetahui sejauh mana hubungan antara dua variabel atau lebih. Korelasi mencerminkan kekuatan maupun hubungan antara variabel-variabel.

Dalam statistika, korelasi digunakan untuk mendeskripsikan hubungan sederhana antara variabel tanpa mempertanyakan sebab-akibatnya.

Untuk merangkum hubungan variabel dalam satu angka, korelasi menggunakan metode yang disebut koefisien korelasi. Koefisien korelasi biasanya dilambangkan dengan simbol r dan bernilai antara -1 hingga +1.

Nilai atau Hasil Korelasi

Nilai korelasi
Nilai korelasi

Dirangkum dari Simplilearn, berikut adalah nilai yang ada di koefisien korelasi:

Nilai positif

Nilai positif terjadi ketika nilai korelasi lebih besar dari 0. Ini menandakan kedua variabel yang dibandingkan memiliki hubungan positif sempurna. Ketika satu variabel bergerak lebih tinggi atau lebih rendah, variabel lain bergerak ke arah yang sama dan besaran nilainya juga sama.

Nilai negatif

Berkebalikan dengan nilai positif, nilai negatif terjadi saat korelasi kurang dari 0. Nilai ini mengindikasikan kedua variabel bergerak berlawanan arah. Jika satu variabel meningkat, variabel lain justru menurun dengan nilai yang sama.

Nilai nol (tidak ada korelasi)

Nilai nol mengartikan tidak adanya korelasi antar variabel. Masing-masing variabel bergerak sendiri-sendiri dengan sifat berbeda.

Macam-macam Korelasi

Dirangkum dari Statistics Solutions, berikut beberapa jenis korelasi:

Korelasi Pearson

Korelasi Pearson adalah pengukuran yang paling umum digunakan. Korelasi jenis ini bertujuan mengukur hubungan linier antara variabel X dan variabel Y.

Korelasi Pearson
Korelasi Pearson

Kedua variabel meningkat dan menurun secara bersamaan secara konstan dan dapat dimodelkan dengan garis lurus seperti gambar di atas. 

Semakin jauh nilainya dari 0, semakin kuat hubungannya. Nilai 1 menandakan hubungan linier positif, yaitu ketika satu variabel bertambah dan variabel lainnya juga bertambah.

Sementara -1 mewakili hubungan linier negatif, yaitu ketika satu variabel menurun sementara variabel lain meningkat.

Korelasi Spearman

Jenis korelasi Spearman juga memiliki nilai koefisien korelasi yang sama dengan Pearson yakni 0, 1, dan -1. Bedanya, korelasi Spearman menggambarkan hubungan monotonik antara variabel.

Dalam hubungan monotonik, kedua variabel cenderung bergerak ke arah yang sama namun tidak dalam laju yang konstan. 

Korelasi spearman
Korelasi spearman

Pemodelannya bisa dilihat pada gambar di atas. Gambar tersebut menunjukkan kedua variabel sama-sama meningkat namun dalam tingkatan yang berbeda.

Korelasi Kendall

Hasil korelasi Kendall juga berkisar antara -1 dan 1. Seperti Spearman, Kendall juga melihat hubungan monotonik antara variabel. Hal yang membedakan dengan Spearman terletak pada pengolahan nilai rank yang diperoleh dari variabel X dan Y.

Karena didasarkan pada nilai ranking dari setiap variabel, Kendall dapat bekerja dengan data kontinu maupun data ordinal. Meski data ordinal memiliki ranking, tetapi interval antar ranking belum tentu konsisten. Contohnya, tingkat pendidikan yang dapat dikelompokkan menjadi “pendidikan menengah”, “S1”, “S2”, dll.

Contoh Korelasi

Berikut beberapa contoh korelasi.

Perusahaan A ingin menguji apakah user experience yang berjalan dengan baik memiliki korelasi positif dengan peringkat app store yang lebih tinggi. Setelah dilakukan pengujian, ditemukan fakta bahwa ketika yang satu variabel meningkat, variabel lain juga mengalami peningkatan.

Perusahaan tidak mengatakan user experience yang baik menyebabkan ranking yang juga bagus. Namun, perusahaan mengatakan user experience sangat berkaitan dengan ranking di app store. Itulah korelasi.

Dari situ, perusahaan bisa melacak penyebab sebenarnya di balik peningkatan user experience. Misal, ternyata tim web developer baru saja memperbaiki bug yang sebelumnya menyebabkan beberapa button di app tidak responsif.

Hubungan antara user experience dan fungsionalitas button di app bukan lagi sekadar korelasi biasa, yakni sudah termasuk kausalitas. Penjelasan lebih detail ada di bagian FAQ artikel ini.

FAQ (Frequently Asked Question)

Apa beda korelasi dan kausalitas? 

Korelasi mengukur seberapa besar hubungan antara jenis variabel. Ketika satu variabel berubah, variabel lain juga ikut berubah. Artinya, variabel-variabel ini berubah bersama-sama.

Nilai korelasi yang tinggi tidak mengartikan satu variabel memengaruhi variabel lain. Namun, itu bisa saja disebabkan karena masing-masing variabel bergerak ke arah yang sama atau berkebalikan (dikenal dengan tren).

Sementara kausalitas menunjukkan adanya hubungan sebab-akibat antara variabel.

Korelasi bukan berarti kausalitas.

Kausalitas berarti satu hal menyebabkan hal yang lain. Misalnya, tindakan A menyebabkan hasil B. Di sisi lain, korelasi hanyalah sebuah hubungan di mana tindakan A berhubungan dengan tindakan B, tetapi terjadinya A dan B bisa disebabkan hal-hal lain.

Contohnya, meminum coklat panas dengan kedinginan adalah dua peristiwa yang saling berhubungan. Ada korelasi antara dua hal itu. Namun, sebenarnya kedua peristiwa tersebut tidak ada hubungan sebab-akibatnya. Peristiwa yang menyebabkan terjadinya dua hal itu adalah adanya cuaca yang dingin.

Contoh korelasi dan kausalitas
Contoh korelasi dan kausalitas

Masih ragu? Coba dulu 3 hari, GRATIS
di Full-Stack Trial Class!

Rasakan pengalaman belajar di RevoU Full-Stack Program:

Kelas 100% LIVE, Mini portofolio lewat hands-on assignment, Bimbingan Team Lead & small group discussion.

Kalau cocok, kamu bisa lanjut daftar Full Program dengan kesempatan Fast-Track (skip semua tes seleksi masuk, langsung ke tahap akhir!)

Masih ragu? Coba dulu 3 hari, GRATIS
di Full-Stack Trial Class!

Rasakan pengalaman belajar di RevoU Full-Stack Program:
Kelas 100% LIVE, Mini portofolio lewat hands-on assignment, Bimbingan Team Lead & small group discussion.

Kalau cocok, kamu bisa lanjut daftar Full Program dengan kesempatan Fast-Track (skip semua tes seleksi masuk, langsung ke tahap akhir!)

Masih ragu? Coba dulu 3 hari, GRATIS
di Full-Stack Trial Class!

Rasakan pengalaman belajar di RevoU Full-Stack Program:

Kelas 100% LIVE, Mini portofolio lewat hands-on assignment, Bimbingan Team Lead & small group discussion.

Kalau cocok, kamu bisa lanjut daftar Full Program dengan kesempatan Fast-Track (skip semua tes seleksi masuk, langsung ke tahap akhir!)

Kata kunci lainnya

Mulai karirmu dalam

Data Analytics

Belajar di RevoU! Dapatkan skill digital paling in-demand langsung dari praktisi terbaik di bidangnya. Kelas online 100% LIVE, 1:1 career coaching, dan akses ke Community Hub dengan 6000+ member selamanya untuk support perkembangan karir kamu!
ikut kursus gratis
Menu