📈

Kalkulator Korelasi Pearson

Ukur kekuatan hubungan linear antara dua variabel

r = Σ(xi-x̄)(yi-ȳ) / √[Σ(xi-x̄)²·Σ(yi-ȳ)²]

Pisahkan dengan koma

Pisahkan dengan koma

📊 Standar Interpretasi:

0.9 - 1.0Sangat Kuat
0.7 - 0.9Kuat
0.5 - 0.7Sedang
< 0.3Sangat Lemah

Hasil akan dihitung secara otomatis saat input terisi

Apa itu Korelasi Pearson (Pearson Correlation)?

Korelasi Pearson (Pearson Correlation Coefficient) atau koefisien korelasi produk-momen Pearson adalah ukuran statistik yang menghitung kekuatan dan arah hubungan linear antara dua variabel kontinu. Dalam dunia penelitian, korelasi Pearson menjadi salah satu alat uji statistik yang paling sering digunakan untuk menjawab pertanyaan: "Apakah ada hubungan antara X dan Y?"

Rumus Korelasi Pearson (r)

r = Σ[(xi - x̄)(yi - ȳ)] / √[Σ(xi - x̄)² Σ(yi - ȳ)²]Rumus: r = Cov(X,Y) / (sX × sY) = Σzₓzᵧ / (n-1) (menggunakan z-score)

Keterangan:

  • rKoefisien Korelasi Pearson
    Ukuran kekuatan dan arah hubungan linear (-1 s.d +1)(contoh: 0.85)
    💡 Menentukan seberapa kuat hubungan X dan Y
  • x, yVariabel X dan Y
    Dua variabel kontinu yang diuji hubungannya(contoh: Jam Belajar, Nilai Ujian)
    💡 Data mentah yang dimasukkan berpasangan
  • x̄, ȳMean X dan Mean Y
    Rata-rata masing-masing variabel(contoh: x̄=5, ȳ=80)
    💡 Basis perhitungan kovarians
  • Cov(X,Y)Kovarians (Covariance)
    Ukuran hubungan arah variabel (belum distandardisasi)(contoh: 25.5)
    💡 Pembilang r sebelum dinormalisasi
  • sX, sYStandar Deviasi X dan Y
    Sebaran masing-masing variabel(contoh: sX=2, sY=10)
    💡 Menstandardisasi kovarians menjadi r
  • nUkuran Sampel (Jumlah Pasangan)
    Banyaknya pasangan data (X,Y)(contoh: 30)
    💡 Menentukan derajat kebebasan: df = n-2

Langkah-Langkah Menghitung Korelasi Pearson

Hitung korelasi pearson antar dua variabel dan ukur kekuatan hubungan liniernya dengan interpretasi otomatis hasil r....

  1. 1Menghitung mean (x̄) dan standar deviasi (sX) untuk variabel X
  2. 2Menghitung mean (ȳ) dan standar deviasi (sY) untuk variabel Y
  3. 3Menghitung kovarians: Cov(X,Y) = Σ[(xi - x̄)(yi - ȳ)] / (n-1)
  4. 4Menghitung r = Cov(X,Y) / (sX × sY) atau rumus langsung
  5. 5Menginterpretasikan kekuatan dan arah: |r| < 0,3 (lemah), 0,3-0,7 (sedang), > 0,7 (kuat)

Kategori:

r = +1Korelasi Positif Sempurna
0 < r < 1Korelasi Positif (r positif)
r = 0Tidak Ada Korelasi Linear
-1 < r < 0Korelasi Negatif (r negatif)
r = -1Korelasi Negatif Sempurna

Cara Menggunakan Kalkulator Korelasi Pearson Kalkulab

Menggunakan kalkulator Korelasi Pearson Kalkulab sangat mudah dan dirancang khusus untuk memudahkan mahasiswa dan peneliti Indonesia. Ikuti langkah-langkah berikut:

  1. 1

    Masukkan Data Variabel X

  2. 2

    Masukkan Data Variabel Y

  3. 3

    Klik Tombol Hitung

  4. 4

    Analisis Hasil

  5. 5

    Gunakan untuk Laporan (Opsional)

💡 Tips Penggunaan:

  • •Pastikan data berpasangan (data ke-n X berpasangan dengan data ke-n Y)
  • •Korelasi Pearson hanya mengukur hubungan LINEAR, bukan non-linear
  • •Nilai r = 0 tidak berarti tidak ada hubungan, mungkin saja hubungannya non-linear (contoh: kuadratik)
  • •Gunakan scatter plot untuk memvisualisasikan apakah hubungannya linear sebelum menghitung r
  • •Untuk data dengan outlier, pertimbangkan menggunakan Spearman's rank correlation (korelasi non-parametrik)

Contoh Perhitungan

Contoh1: Hubungan Jam Belajar dan Nilai Ujian

Soal:

Seorang dosen ingin mengetahui hubungan antara jam belajar (X) dan nilai ujian (Y). Data: X=2,4,6,8,10; Y=60,70,80,90,100. Berapa korelasinya?

Penyelesaian:
  1. 1.Data: X (2,4,6,8,10), Y (60,70,80,90,100)
  2. 2.x̄ = 30/5 = 6, ȳ = 400/5 = 80
  3. 3.Hitung Σ[(xi-x̄)(yi-ȳ)] = (-4×-20)+(-2×-10)+(0×0)+(2×10)+(4×20) = 200
  4. 4.Σ(xi-x̄)² = 40, Σ(yi-ȳ)² = 1000
  5. 5.r = 200 / √(40 × 1000) = 200 / √40000 = 200/200 = 1,0
Hasil:r = 1,0, p < 0,0001

Terdapat korelasi positif sempurna (r=1,0) antara jam belajar dan nilai ujian. Semakin lama belajar, semakin tinggi nilai (hubungan linear sempurna).

Contoh2: Hubungan Tinggi Badan dan Berat Badan

Soal:

Data tinggi badan (cm) dan berat badan (kg) dari 5 mahasiswa: X=160,165,170,175,180; Y=55,60,65,70,75. Hitung korelasinya!

Penyelesaian:
  1. 1.x̄ = 850/5 = 170, ȳ = 325/5 = 65
  2. 2.Σ[(xi-x̄)(yi-ȳ)] = (-10×-10)+(-5×-5)+(0×0)+(5×5)+(10×10) = 250
  3. 3.Σ(xi-x̄)² = 250, Σ(yi-ȳ)² = 250
  4. 4.r = 250 / √(250 × 250) = 250 / 250 = 1,0
Hasil:r = 1,0, p < 0,0001

Korelasi positif sempurna (r=1,0). Semakin tinggi badan, semakin berat badan (hubungan linear positif kuat).

Contoh3: Hubungan Harga Rumah dan Jarak ke Pusat Kota

Soal:

Data harga rumah (miliar) dan jarak ke pusat kota (km): X=5,10,15,20,25; Y=3,2.5,2,1.5,1. Berapa korelasinya?

Penyelesaian:
  1. 1.x̄ = 75/5 = 15, ȳ = 10/5 = 2
  2. 2.Σ[(xi-x̄)(yi-ȳ)] = (-10×1)+(-5×0.5)+(0×0)+(5×-0.5)+(10×-1) = -20
  3. 3.Σ(xi-x̄)² = 250, Σ(yi-ȳ)² = 2,5
  4. 4.r = -20 / √(250 × 2,5) = -20 / √625 = -20/25 = -0,8
Hasil:r = -0,8, p ≈ 0,04

Terdapat korelasi negatif kuat (r=-0,8) antara jarak ke pusat kota dan harga rumah. Semakin jauh dari kota, semakin murah harga rumah.

Contoh4: Hubungan Motivasi dan Produktivitas Karyawan

Soal:

Skor motivasi (1-100) dan produktivitas (unit/hari): X=70,75,80,85,90; Y=50,55,60,65,70. Uji hubungannya!

Penyelesaian:
  1. 1.x̄ = 400/5 = 80, ȳ = 300/5 = 60
  2. 2.Σ[(xi-x̄)(yi-ȳ)] = (-10×-10)+(-5×-5)+(0×0)+(5×5)+(10×10) = 250
  3. 3.Σ(xi-x̄)² = 250, Σ(yi-ȳ)² = 250
  4. 4.r = 250 / √(250 × 250) = 250 / 250 = 1,0
Hasil:r = 1,0, p < 0,0001

Korelasi positif sempurna (r=1,0). Semakin tinggi motivasi karyawan, semakin tinggi produktivitasnya.

Contoh5: Hubungan Iklan dan Penjualan

Soal:

Biaya iklan (juta) dan penjualan (juta): X=1,2,3,4,5; Y=2,3,4,3,5. Hitung korelasi Pearson!

Penyelesaian:
  1. 1.x̄ = 15/5 = 3, ȳ = 17/5 = 3,4
  2. 2.Σ[(xi-x̄)(yi-ȳ)] = (-2×-1,4)+(-1×-0,4)+(0×0,6)+(1×-0,4)+(2×1,6) = 6,8
  3. 3.Σ(xi-x̄)² = 10, Σ(yi-ȳ)² = 6,8
  4. 4.r = 6,8 / √(10 × 6,8) = 6,8 / √68 ≈ 6,8/8,25 ≈ 0,82
Hasil:r ≈ 0,82, p ≈ 0,09

Korelasi positif kuat (r=0,82), namun p=0,09 > 0,05 (tidak signifikan statistik untuk n=5). Perlu sampel lebih besar untuk konfirmasi.

Pertanyaan yang Sering Diajukan (FAQ)

Apa itu korelasi Pearson dan mengapa penting dalam analisis data?
Korelasi Pearson adalah ukuran statistik yang menghitung kekuatan dan arah hubungan linear antara dua variabel kontinu. Ini penting karena membantu mengidentifikasi pola dalam data, seperti apakah peningkatan satu variabel terkait dengan peningkatan atau penurunan variabel lain. Digunakan luas dalam penelitian, bisnis, dan ilmu sosial.
Bagaimana cara menginterpretasikan nilai koefisien korelasi (r)?
Nilai r berkisar dari -1 hingga +1. R mendekati +1: hubungan linear positif kuat. R mendekati -1: hubungan linear negatif kuat. R mendekati 0: tidak ada hubungan linear. Interpretasi umum: |r| < 0,3 (lemah), 0,3-0,7 (sedang), > 0,7 (kuat). Tanda positif/negatif menunjukkan arah hubungan.
Apa beda korelasi Pearson dan korelasi Spearman?
Korelasi Pearson mengukur hubungan linear antara dua variabel kontinu yang terdistribusi normal. Korelasi Spearman (rank correlation) mengukur hubungan monotonic (naik atau turun) tanpa asumsi normalitas, bisa untuk data ordinal. Gunakan Pearson jika data linear dan normal, Spearman jika data tidak normal atau ordinal.
Apa arti p-value dalam korelasi Pearson?
P-value menguji signifikansi statistik hubungan. H0: ρ (rho) = 0 (tidak ada korelasi di populasi). Jika p-value < α (biasanya 0,05), maka H0 ditolak: ada hubungan signifikan secara statistik. Perhatikan: korelasi bisa kuat tapi tidak signifikan jika sampel kecil (n kecil), atau sebaliknya.
Apakah korelasi berarti sebab-akibat (cause-and-effect)?
TIDAK. Korelasi tidak menyiratkan sebab-akibat (causation). Korelasi hanya menunjukkan hubungan/pasangan antara dua variabel. Misal: korelasi positif antara jumlah es krim terjual dan jumlah kejahatan, keduanya dipengaruhi variabel ketiga: suhu musim panas, bukan saling menyebabkan.
Kapan menggunakan korelasi Pearson dibanding metode statistik lain?
Gunakan korelasi Pearson ketika: (1) Dua variabel kontinu (interval/rasio), (2) Hubungan dihipotesiskan linear, (3) Data terdistribusi normal (atau setidaknya mendekati normal), (4) Tidak ada outlier ekstrem. Jika tidak memenuhi, gunakan Spearman's correlation atau metode non-parametrik lainnya.
Apa batasan atau kelemahan korelasi Pearson?
Kelemahan utama: (1) Hanya mengukur hubungan linear, tidak bisa mendeteksi hubungan non-linear (U-shape, kuadratik), (2) Sensitif terhadap outlier ekstrem, (3) Memerlukan asumsi normalitas, (4) Tidak menyiratkan sebab-akibat. Selain itu, r = 0 tidak berarti tidak ada hubungan sama sekali, mungkin saja hubungannya non-linear.
Apakah Kalkulator Korelasi Pearson Kalkulab gratis dan akurat?
Ya, kalkulator ini sepenuhnya gratis dan dirancang untuk memberikan hasil akurat berdasarkan rumus statistik standar. Kalkulab memastikan perhitungan yang andal untuk mendukung kebutuhan akademik, profesional, dan pribadi, dengan antarmuka yang mudah digunakan dan penjelasan yang jelas.

Kalkulator Terkait

Kalkulator Regresi Linear

Prediksi nilai variabel Y dari X

Kalkulator T-Test

Uji perbedaan mean dua kelompok

Kalkulator ANOVA

Bandingkan mean lebih dari 2 kelompok

Standar Deviasi

Menghitung sebaran data

Mean Median Modus

Ukuran pemusatan data

Referensi