Panduan Lengkap dan Contoh Soal Korelasi dalam Statistika

Analisis korelasi merupakan salah satu teknik statistika yang paling sering digunakan dalam berbagai bidang penelitian, mulai dari ekonomi, psikologi, hingga sains data. Memahami cara menghitung dan menginterpretasikan koefisien korelasi sangat penting bagi siapa saja yang ingin menarik kesimpulan dari hubungan antara dua variabel. Artikel ini akan membahas secara detail mengenai konsep dasar, rumus, serta contoh soal korelasi yang lengkap dengan pembahasannya.

Apa Itu Korelasi

Korelasi adalah teknik analisis yang digunakan untuk mengukur kekuatan dan arah hubungan linear antara dua variabel. Variabel tersebut biasanya dilambangkan dengan $X$ (variabel independen/bebas) dan $Y$ (variabel dependen/terikat). Penting untuk diingat bahwa korelasi tidak menunjukkan hubungan sebab-akibat, melainkan hanya menunjukkan seberapa kuat kedua variabel tersebut bergerak bersama.

Baca juga: Langkah Awal Biar Karir Load Testing Engineer Kamu Melesat

Dalam statistika, nilai korelasi dinyatakan dengan koefisien korelasi yang dilambangkan dengan huruf $r$. Nilai $r$ ini memiliki rentang antara -1 hingga +1 dengan kriteria sebagai berikut:

• r = +1: Korelasi positif sempurna. Jika variabel $X$ naik, variabel $Y$ juga naik secara proporsional.
• r = -1: Korelasi negatif sempurna. Jika variabel $X$ naik, variabel $Y$ turun secara proporsional.
• r = 0: Tidak ada korelasi linear antara kedua variabel.

Rumus Korelasi Pearson Product Moment

Rumus yang paling umum digunakan untuk data berskala interval atau rasio adalah rumus Pearson Product Moment. Persamaan untuk menghitung koefisien korelasi $r$ adalah sebagai berikut:

$$r = \frac{n(\sum XY) – (\sum X)(\sum Y)}{\sqrt{[n\sum X^2 – (\sum X)^2][n\sum Y^2 – (\sum Y)^2]}}$$

Keterangan:

• $n$: Jumlah pasangan data atau sampel
• $\sum X$: Jumlah total nilai variabel $X$
• $\sum Y$: Jumlah total nilai variabel $Y$
• $\sum XY$: Jumlah hasil perkaliant variabel $X$ dan $Y$
• $\sum X^2$: Jumlah kuadrat dari variabel $X$
• $\sum Y^2$: Jumlah kuadrat dari variabel $Y$

Langkah Langkah Menghitung Korelasi

Sebelum masuk ke contoh soal, berikut adalah langkah sistematis yang perlu Anda lakukan untuk menghitung korelasi secara manual:

1. Buatlah tabel pembantu yang terdiri dari kolom $X$, $Y$, $X^2$, $Y^2$, dan $XY$.
2. Isi setiap baris sesuai dengan data yang tersedia.
3. Hitung jumlah total (sigma) untuk setiap kolom tersebut.
4. Masukkan nilai-nilai total tersebut ke dalam rumus Pearson.
5. Lakukan perhitungan secara teliti untuk mendapatkan nilai $r$.
6. Interpretasikan hasil tersebut berdasarkan kekuatan hubungannya.

Contoh Soal Korelasi 1: Hubungan Jam Belajar dengan Nilai Ujian

Seorang peneliti ingin mengetahui apakah terdapat hubungan antara durasi belajar (jam) dengan nilai ujian yang diperoleh oleh 5 mahasiswa. Berikut adalah datanya:

• Mahasiswa A: Belajar 2 jam, Nilai 60
• Mahasiswa B: Belajar 4 jam, Nilai 70
• Mahasiswa C: Belajar 6 jam, Nilai 80
• Mahasiswa D: Belajar 8 jam, Nilai 85
• Mahasiswa E: Belajar 10 jam, Nilai 95

Tabel Perhitungan:

Penyelesaian:

Diketahui:

• $n = 5$
• $\sum X = 30$
• $\sum Y = 390$
• $\sum X^2 = 220$
• $\sum Y^2 = 31150$
• $\sum XY = 2510$

Masukkan ke rumus:

$r = \frac{5(2510) – (30)(390)}{\sqrt{[5(220) – (30)^2][5(31150) – (390)^2]}}$

$r = \frac{12550 – 11700}{\sqrt{[1100 – 900][155750 – 152100]}}$

$r = \frac{850}{\sqrt{[200][3650]}}$

$r = \frac{850}{\sqrt{730000}}$

$r = \frac{850}{854.4}$

$r = 0.995$

Interpretasi Hasil:

Nilai $r = 0.995$ menunjukkan adanya korelasi positif yang sangat kuat antara jam belajar dan nilai ujian. Artinya, semakin lama seorang mahasiswa belajar, maka cenderung semakin tinggi pula nilai ujian yang didapatkannya.

Contoh Soal Korelasi 2: Hubungan Harga Barang dengan Jumlah Permintaan

Sebuah toko mencatat hubungan antara harga produk (dalam ribuan rupiah) dengan jumlah unit yang terjual selama 5 hari.

Data:

• Hari 1: Harga 10, Terjual 50
• Hari 2: Harga 15, Terjual 40
• Hari 3: Harga 20, Terjual 30
• Hari 4: Harga 25, Terjual 25
• Hari 5: Harga 30, Terjual 15

Tabel Perhitungan:

Penyelesaian:

$r = \frac{5(2775) – (100)(160)}{\sqrt{[5(2250) – (100)^2][5(5850) – (160)^2]}}$

$r = \frac{13875 – 16000}{\sqrt{[11250 – 10000][29250 – 25600]}}$

$r = \frac{-2125}{\sqrt{[1250][3650]}}$

$r = \frac{-2125}{\sqrt{4562500}}$

$r = \frac{-2125}{2136}$

$r = -0.995$

Interpretasi Hasil:

Nilai $r = -0.995$ menunjukkan adanya korelasi negatif yang sangat kuat. Hal ini sesuai dengan hukum permintaan dalam ekonomi, di mana kenaikan harga akan diikuti oleh penurunan jumlah permintaan barang.

Kekuatan Hubungan Berdasarkan Koefisien Korelasi

Untuk memudahkan interpretasi, para ahli sering menggunakan kriteria berikut untuk menentukan derajat kekuatan hubungan:

• 0.00 – 0.19: Hubungan sangat lemah
• 0.20 – 0.39: Hubungan lemah
• 0.40 – 0.59: Hubungan sedang/cukup kuat
• 0.60 – 0.79: Hubungan kuat
• 0.80 – 1.00: Hubungan sangat kuat

Uji Signifikansi (Uji t)

Setelah mendapatkan nilai $r$, langkah selanjutnya adalah melakukan uji signifikansi untuk mengetahui apakah hubungan tersebut benar-benar berlaku pada populasi atau hanya terjadi secara kebetulan pada sampel. Rumus uji t untuk korelasi adalah:

$$t = \frac{r\sqrt{n-2}}{\sqrt{1-r^2}}$$

Nilai $t$ hitung kemudian dibandingkan dengan $t$ tabel pada tingkat signifikansi tertentu (misal $\alpha = 0.05$). Jika $t$ hitung > $t$ tabel, maka hubungan tersebut dinyatakan signifikan secara statistik.

Pentingnya Visualisasi dengan Scatter Plot

Sebelum menghitung secara numerik, sangat disarankan untuk membuat diagram pencar atau scatter plot. Visualisasi ini membantu peneliti melihat pola hubungan secara kasar. Jika titik-titik pada diagram cenderung membentuk garis lurus yang naik ke kanan, maka korelasi positif. Jika turun ke kanan, korelasi negatif. Jika menyebar acak, maka kemungkinan tidak ada korelasi.

Baca juga: Rektor Universitas Teknokrat Indonesia Salurkan Donasi untuk Korban Bencana Sumatera melalui ICMI

Kesimpulan

Analisis korelasi adalah alat yang ampuh untuk memahami dinamika antar variabel. Melalui contoh soal korelasi di atas, kita dapat melihat bagaimana proses perhitungan dilakukan mulai dari pengumpulan data hingga interpretasi hasil. Baik korelasi positif maupun negatif memberikan informasi berharga bagi pengambilan keputusan di berbagai bidang.

Penggunaan rumus Pearson Product Moment menuntut ketelitian dalam perhitungan kuadrat dan perkalian. Oleh karena itu, penggunaan tabel pembantu sangat disarankan untuk meminimalisir kesalahan. Dengan memahami konsep korelasi, Anda selangkah lebih maju dalam menguasai analisis data statistik yang lebih kompleks seperti analisis regresi linear.

Demikian artikel mengenai contoh soal korelasi ini. Semoga bermanfaat bagi Anda yang sedang mempelajari statistika atau sedang melakukan penelitian ilmiah.

Penulis: Aripin