For AI agents: use /llms.txt for the Nakafa content index.
Korelasi Product Moment, yang sering juga disebut Korelasi Pearson atau cukup dilambangkan dengan , adalah ukuran statistik yang paling umum digunakan untuk mengetahui seberapa kuat dan ke mana arah hubungan linear (pola garis lurus) antara dua variabel kuantitatif (angka).
Nilai ini akan memberi tahu kita apakah kedua variabel bergerak searah (positif), berlawanan arah (negatif), atau tidak ada hubungan linear sama sekali.
Cara paling intuitif memahami nilai adalah dengan melihat bagaimana titik-titik data tersebar pada diagram pencar:
mendekati berarti kedua variabel cenderung bergerak ke arah yang sama.
Jika titik-titik data kamu terlihat seperti ini (naik dari kiri bawah ke kanan atas dan sangat rapat membentuk garis), nilai -nya akan mendekati .
positif tapi mendekati berarti kedua variabel cenderung bergerak ke arah yang sama, tapi tidak terlalu kuat.
Kalau titik-titiknya masih menunjukkan kecenderungan naik tapi lebih menyebar seperti ini, nilai -nya positif, tapi lebih kecil (mendekati ).
mendekati berarti kedua variabel cenderung bergerak ke arah yang berlawanan.
Jika titik-titiknya turun dari kiri atas ke kanan bawah dan sangat rapat, nilai -nya akan mendekati .
mendekati 0 berarti kedua variabel tidak memiliki hubungan linear.
Ketika titik-titik menyebar acak tanpa pola lurus yang jelas, nilai -nya akan mendekati .
Koefisien korelasi Pearson () pada dasarnya mengukur seberapa sinkron pergerakan dua variabel ( dan ) relatif terhadap variasi masing-masing.
Bayangkan begini:
Variasi Sendiri:
Setiap variabel ( dan ) punya variasinya sendiri. Ada yang nilainya naik-turun banyak (variasi besar), ada yang stabil (variasi kecil). Ini diukur oleh untuk dan untuk (yang akan kita lihat rumusnya di bawah).
Variasi Bersama (Kovariasi):
Kita juga perlu tahu bagaimana dan bervariasi bersama-sama. Apakah saat naik, juga cenderung naik? Atau malah turun? Ukuran variasi bersama ini disebut kovariasi, dan dihitung menggunakan .
Menstandarkan Ukuran:
Masalahnya, nilai (kovariasi) ini sangat dipengaruhi oleh satuan data. Misalnya, kovariasi antara tinggi (cm) dan berat (kg) akan punya nilai yang berbeda jika kita ukur tinggi dalam meter dan berat dalam gram, meskipun hubungannya sama.
Untuk mengatasi ini, kita perlu menstandarkan ukuran kovariasi. Caranya adalah dengan membagi kovariasi () dengan ukuran variasi masing-masing variabel (yang sudah disesuaikan dalam bentuk akar kuadrat: ).
Hasil pembagian inilah yang menjadi , Koefisien Korelasi Pearson. Karena sudah distandarkan, nilainya akan selalu antara dan , tidak peduli satuan asli datanya. Ini memungkinkan kita membandingkan kekuatan hubungan linear antar variabel yang berbeda-beda.
Jadi, nilai ditentukan dengan membandingkan seberapa kuat dan bergerak bersama, relatif terhadap seberapa banyak mereka bergerak secara individual.
Untuk menghitung nilai secara pasti, kita gunakan rumus yang melibatkan Jumlah Kuadrat (Sum of Squares):
Apa itu , , dan ?
Ini adalah cara mengukur seberapa bervariasi data kita:
(Sum of Squares for ): Mengukur seberapa menyebar data dari rata-ratanya.
(Sum of Squares for ): Mengukur seberapa menyebar data dari rata-ratanya.
(Sum of Products of deviations for and ): Mengukur bagaimana dan bervariasi .
Keterangan:
Dengan menghitung ketiga nilai ini dan memasukkannya ke rumus , kita akan mendapatkan nilai Koefisien Korelasi Product Moment.
Setelah mendapatkan nilai , kita bisa interpretasikan kekuatannya dan arahnya menggunakan panduan umum berikut:
| Nilai | Tingkat Korelasi | Keterangan |
|---|---|---|
| Positif Sempurna | Semua titik tepat pada garis lurus naik. | |
| Positif Kuat | Hubungan linear positif jelas dan kuat. | |
| Positif Sedang/Cukup | Hubungan linear positif cukup terlihat. | |
| Positif Lemah | Hubungan linear positif sangat rendah. | |
| Tidak ada Korelasi Linear | Tidak ada hubungan linear sama sekali. | |
| Negatif Lemah | Hubungan linear negatif sangat rendah. | |
| Negatif Sedang/Cukup | Hubungan linear negatif cukup terlihat. | |
| Negatif Kuat | Hubungan linear negatif jelas dan kuat. | |
| Negatif Sempurna | Semua titik tepat pada garis lurus turun. |
