Perbedaan Jenis Uji Korelasi Pearson, Spearman, dan Kendall dalam Penelitian

Uji korelasi merupakan salah satu metode statistik yang digunakan untuk mengetahui arah dan kekuatan hubungan antara dua variabel. Dalam penelitian, pemilihan jenis uji korelasi perlu disesuaikan dengan karakteristik data, skala pengukuran, dan asumsi statistik yang harus dipenuhi. Tiga metode yang sering digunakan adalah korelasi Pearson, Spearman, dan Kendall.

Meskipun sama-sama mengukur hubungan antarvariabel, ketiganya memiliki cara perhitungan, asumsi, dan kondisi penggunaan yang berbeda. Lantas, apa perbedaan uji korelasi Pearson, Spearman, dan Kendall serta kapan masing-masing metode sebaiknya digunakan? Jangan skip artikel ini sahabat DQLab!

1. Apa itu Uji Korelasi?

Uji korelasi adalah metode statistik untuk mengukur arah dan kekuatan hubungan antara dua variabel. Hasilnya biasanya dinyatakan dalam koefisien korelasi dengan nilai antara -1 hingga +1. Nilai koefisien tersebut dapat diinterpretasikan sebagai berikut:

• Korelasi positif: kedua variabel cenderung meningkat atau menurun bersama.

• Korelasi negatif: ketika satu variabel mengalami peningkatan, variabel lainnya cenderung menurun.

• Korelasi mendekati nol: tidak terdapat hubungan yang berarti berdasarkan jenis hubungan yang diukur oleh koefisien tersebut.

Uji korelasi dapat digunakan dalam berbagai bidang, seperti ekonomi, pendidikan, kesehatan, pemasaran, dan ilmu sosial. Contohnya, peneliti dapat menguji hubungan antara jam belajar dan nilai ujian, tingkat kepuasan pelanggan dan loyalitas, atau pendapatan dan pengeluaran rumah tangga.

Baca Juga: Pengaruh Belum Tentu Kausal, Terus Bedanya di Mana?

2. Jenis Uji Korelasi

Ada tiga jenis uji korelasi yang dijelaskan lebih lanjut dalam artikel ini. Namun, perlu diingat bahwa korelasi tidak secara otomatis menunjukkan hubungan sebab-akibat. Dua variabel yang berkorelasi belum tentu berarti salah satunya menyebabkan perubahan pada variabel lainnya. Berikut penjelasan masing-masing uji korelasi

Uji Korelasi Pearson

Korelasi Pearson atau Pearson Product-Moment Correlation digunakan untuk mengukur kekuatan dan arah hubungan linear antara dua variabel numerik. Metode ini umumnya digunakan ketika data berupa variabel interval atau rasio dan hubungan yang ingin dianalisis berbentuk linear. Untuk pengujian signifikansi dengan pendekatan parametrik standar, asumsi seperti independensi observasi dan normalitas bivariat perlu diperhatikan. Pearson juga cukup sensitif terhadap outlier karena perhitungannya menggunakan nilai asli dari setiap observasi.

Contoh penggunaan:

Seorang peneliti ingin mengetahui hubungan antara jumlah jam belajar mahasiswa dan nilai ujian. Kedua variabel diukur secara numerik. Peneliti ingin mengetahui apakah peningkatan jam belajar berkaitan dengan peningkatan nilai ujian secara linear. Dalam kondisi tersebut, korelasi Pearson menjadi pilihan yang sesuai apabila karakteristik data mendukung penggunaannya.

Uji Korelasi Spearman

Korelasi Spearman atau Spearman’s Rank Correlation digunakan untuk mengukur kekuatan dan arah hubungan monotonik antara dua variabel berdasarkan peringkat (rank) data. Berbeda dari Pearson yang menggunakan nilai alias, Spearman mengubah data menjadi peringkat sebelum menghitung korelasi. Oleh karena itu, metode ini dapat digunakan untuk data ordinal maupun data numerik yang tidak memenuhi asumsi tertentu untuk analisis Pearson.

Spearman cocok untuk hubungan monotonik, yaitu ketika satu variabel cenderung meningkat saat variabel lainnya meningkat, atau cenderung menurun saat variabel lainnya meningkat. Hubungan tersebut tidak harus membentuk garis lurus. Meskipun demikian, Spearman bukan solusi untuk semua jenis data yang tidak normal. Bentuk hubungan, pencilan, dan karakteristik sampel tetap perlu diperiksa.

Contoh penggunaan:

Peneliti ingin mengetahui hubungan antara peringkat motivasi belajar dan peringkat prestasi akademik mahasiswa. Motivasi belajar diukur menggunakan skala ordinal, sedangkan prestasi akademik dapat dinyatakan dalam peringkat. Spearman dapat digunakan untuk menilai apakah mahasiswa dengan peringkat motivasi lebih tinggi cenderung memiliki peringkat prestasi akademik yang lebih tinggi pula.

Uji Korelasi Kendall

Korelasi Kendall atau yang lebih dikenal sebagai Kendall’s tau merupakan metode nonparametrik yang mengukur hubungan berdasarkan kesesuaian dan ketidaksesuaian urutan pasangan observasi. Secara sederhana, metode ini menilai apakah pasangan data menunjukkan urutan yang searah atau berlawanan. Kendall dapat digunakan untuk data ordinal maupun data numerik yang dapat diurutkan.

Metode ini sering dipertimbangkan untuk sampel kecil, data berbentuk peringkat, atau data yang memiliki banyak nilai sama (ties). Namun, pemilihan Kendall tetap perlu mempertimbangkan ukuran sampel, distribusi data, dan tujuan analisis. Terdapat beberapa varian yaitu tau-a, tau-b, dan tau-c yang memiliki penanganan berbeda terhadap nilai yang sama dan struktur data.

Contoh penggunaan:

Peneliti ingin mengetahui hubungan antara peringkat kualitas pelayanan dan peringkat kepuasan pelanggan. Banyak responden memberikan skor yang sama pada kedua variabel. Korelasi kendall tau-b menjadi pilihan karena memperhitungkan pasangan data yang memiliki nilai sama pada salah satu atau kedua variabel.

3. Bagaimana Cara Memilih Uji Korelasi yang Tepat?

Pemilihan uji korelasi tidak hanya didasarkan pada apakah data berdistribusi normal. Peneliti juga perlu mempertimbangkan skala pengukuran, bentuk hubungan antarvariabel, pencilan, maupun tujuan analisis. Berikut panduannya.

Pilih Pearson jika:

• Kedua variabel berupa data numerik

• Hubungan yang ingin diukur bersifat linear.

• Tidak terdapat pencilan ekstrem yang mendistorsi hasil.

• Asumsi untuk pengujian signifikansi parametrik dapat dipenuhi atau ditangani secara tepat.

Pilih Spearman jika:

• Data berupa peringkat atau ordinal.

• Hubungan antarvariabel bersifat monotonik, tetapi tidak harus linear.

• Peneliti ingin menggunakan pendekatan berbasis peringkat yang lebih sedikit bergantung pada distribusi data.

Pilih Kendall jika:

• Data berbentuk ordinal atau peringkat.

• Peneliti ingin mengukur kesesuaian urutan pasangan observasi.

• Sampel relatif kecil atau terdapat banyak nilai sama, dengan mempertimbangkan varian Kendall yang sesuai.

Sebelum menentukan metode, buat diagram pencar (scatterplot) untuk memeriksa bentuk hubungan jika datanya memungkinkan. Pemeriksaan ini membantu membedakan hubungan linear, monotonik, dan pola yang tidak dapat dijelaskan dengan satu koefisien korelasi sederhana.

Baca Juga: Portofolio Sudah Banyak, Apakah Kompetensi Content Creator BNSP Bisa Dibuktikan?

4. Cara Menginterpretasikan Hasil Uji Korelasi

Setelah pengujian dilakukan, terdapat dua hal utama yang perlu diperhatikan, yaitu koefisien korelasi dan nilai signifikansi. Koefisien menunjukkan arah dan kekuatan hubungan yang diukur. Nilai positif menunjukkan hubungan searah, sedangkan nilai negatif menunjukkan hubungan berlawanan arah. Semakin dekat nilai absolut koefisien ke 1 maka semakin kuat hubungan menurut ukuran korelasi tersebut.

p-value digunakan untuk mengevaluasi bukti statistik terhadap hipotesis nol, yang umumnya menyatakan tidak ada korelasi dalam populasi. Jika menggunakan taraf signifikansi 5% dan memperoleh p-value di bawah 0,05, hasil biasanya dinyatakan signifikan secara statistik. Namun, signifikansi statistik tidak selalu menunjukkan bahwa hubungan tersebut kuat atau penting secara praktis. Sebaliknya, hasil yang tidak signifikan juga tidak membuktikan bahwa hubungan sama sekali tidak ada.

Korelasi Pearson, Spearman, dan Kendall memiliki tujuan yang sama, yaitu mengukur hubungan antarvariabel, tetapi berbeda dalam dasar perhitungan dan karakteristik hubungan yang diukur. Pearson lebih sesuai untuk hubungan linear pada data numerik, sedangkan Spearman dan Kendall menggunakan informasi peringkat untuk mengukur hubungan berbasis urutan. Pemilihan metode yang tepat perlu mempertimbangkan berbagai faktor seperti skala data, bentuk hubungan, pencilan, dan asumsi pengujian.

FAQ

1. Apa perbedaan utama korelasi Pearson dan Spearman?

Pearson mengukur hubungan linear berdasarkan nilai asli data, sedangkan Spearman mengukur hubungan monotonik berdasarkan peringkat data.

2. Kapan sebaiknya menggunakan korelasi Kendall?

Kendall dapat dipertimbangkan untuk data ordinal atau peringkat, terutama ketika sampel relatif kecil atau terdapat banyak nilai yang sama. Varian koefisiennya perlu disesuaikan dengan karakteristik data.

3. Apakah uji korelasi dapat membuktikan hubungan sebab-akibat?

Tidak. Uji korelasi menunjukkan hubungan statistik antarvariabel, tetapi tidak dengan sendirinya membuktikan bahwa satu variabel menyebabkan perubahan pada variabel lainnya.

Kalau kamu tertarik untuk berkarir sebagai Data Analyst yang menguasai teknik Data Cleaning secara handal, ini adalah saat yang tepat! Yuk, segera Sign Up ke DQLab! Di sini, kamu bisa belajar dari dasar hingga tingkat lanjut dengan materi dan tools yang relevan dengan kebutuhan industri, bahkan tanpa latar belakang IT. Belajar kapan saja dan di mana saja dengan fleksibilitas penuh, serta didukung oleh fitur eksklusif Ask AI Chatbot 24 jam!

Tidak cuma itu, DQLab juga sudah menerapkan metode pembelajaran HERO (Hands-On, Experiential Learning & Outcome-based) yang dirancang ramah untuk pemula, dan telah terbukti mencetak talenta unggulan yang sukses berkarier di bidang data. Jadi, mau tunggu apa lagi?

Jadi, tunggu apa lagi? Segera persiapkan diri untuk menguasai keterampilan di bidang data dan teknologi dengan subscribe modul premium, atau ikuti Bootcamp Data Analyst with SQL and Python sekarang juga!

Penulis: Reyvan Maulid

Tags

Belajar Data Science Online DQLab Data Science Free Module DQLab belajar data science