Kalkulator Koefisien Korelasi

Masukkan pasangan nilai x dan y. Dapatkan korelasi Pearson, Spearman, dan Kendall, diagram sebar, serta nilai-p.

Gratis 3× per hariTidak perlu mendaftarHasil instan

Kalkulator Koefisien KorelasiCoba sekarang — gratis ▼

Coba Dataset Contoh

✓ Sempurna (r=1) ● Positif Kuat ○ Sedang ≈ Lemah ↓ Negatif

Tempel dua kolom dari Excel, Google Sheets, atau CSV

Variabel X X

Variabel Y Y

Presisi Desimal

Embed Kalkulator Koefisien Korelasi Widget

Tentang Kalkulator Koefisien Korelasi

Selamat datang di Kalkulator Koefisien Korelasi, alat statistik komprehensif yang menghitung koefisien korelasi Pearson, Spearman, dan Kendall dengan visualisasi diagram sebar interaktif, analisis regresi, dan rincian perhitungan langkah demi langkah. Baik Anda menganalisis data penelitian, mempelajari hubungan antar variabel, atau melakukan analisis statistik, kalkulator ini memberikan wawasan tingkat profesional untuk dataset Anda.

Apa itu Koefisien Korelasi?

Koefisien korelasi adalah ukuran statistik yang mengkuantifikasi kekuatan dan arah hubungan antara dua variabel. Koefisien korelasi berkisar dari -1 hingga +1, di mana besarnya menunjukkan kekuatan dan tandanya menunjukkan arah hubungan.

Interpretasi Nilai Korelasi

Rentang Korelasi	Kekuatan	Interpretasi
0,80 hingga 1,00	Sangat Kuat	Variabel sangat berkaitan
0,60 hingga 0,79	Kuat	Hubungan yang jelas ada
0,40 hingga 0,59	Sedang	Hubungan yang terlihat
0,20 hingga 0,39	Lemah	Hubungan yang sedikit
0,00 hingga 0,19	Sangat Lemah	Sedikit atau tidak ada hubungan

Koefisien Korelasi Pearson

Koefisien korelasi Pearson (r) mengukur hubungan linier antara dua variabel kontinu. Ini adalah ukuran korelasi yang paling umum digunakan dan mengasumsikan bahwa kedua variabel berdistribusi normal.

Rumus Korelasi Pearson

$$r = \frac{\sum_{i=1}^{n}(X_i - \bar{X})(Y_i - \bar{Y})}{\sqrt{\sum_{i=1}^{n}(X_i - \bar{X})^2 \sum_{i=1}^{n}(Y_i - \bar{Y})^2}}$$

Dimana:

X_i, Y_i = Titik data individual
X̄, Ȳ = Rata-rata variabel X dan Y
n = Jumlah pasangan data

Koefisien Korelasi Peringkat Spearman

Koefisien korelasi peringkat Spearman (ρ atau r_s) adalah ukuran non-parametrik yang menilai hubungan monotonik antar variabel. Ini menggunakan data berperingkat alih-alih nilai mentah, membuatnya cocok untuk data ordinal atau ketika hubungan tidak sepenuhnya linier.

Rumus Korelasi Spearman

$$\rho = 1 - \frac{6 \sum d_i^2}{n(n^2 - 1)}$$

Dimana:

d_i = Selisih antara peringkat nilai X dan Y yang bersesuaian
n = Jumlah pasangan data

Koefisien Korelasi Kendall Tau

Koefisien korelasi Kendall tau (τ) adalah ukuran non-parametrik lain yang mengevaluasi asosiasi ordinal antara dua variabel. Ini menghitung pasangan konkordan dan diskordan dan sangat berguna untuk ukuran sampel kecil atau ketika ada banyak nilai yang sama.

Cara Menggunakan Kalkulator Ini

Masukkan Data Variabel X: Masukkan nilai numerik untuk variabel pertama Anda di area teks. Angka dapat dipisahkan dengan koma, spasi, atau baris baru.
Masukkan Data Variabel Y: Masukkan nilai yang bersesuaian untuk variabel kedua Anda. Pastikan Anda memiliki jumlah nilai yang sama dengan Variabel X.
Atur Presisi Desimal: Pilih jumlah tempat desimal (2-15) untuk hasil Anda.
Hitung: Klik tombol untuk menghitung korelasi Pearson, Spearman, dan Kendall dengan nilai p dan visualisasi.

Memahami Hasil Anda

Hasil Utama

Pearson r: Koefisien korelasi linier (-1 hingga +1)
Spearman ρ: Koefisien korelasi peringkat (-1 hingga +1)
Kendall τ: Koefisien asosiasi ordinal (-1 hingga +1)
nilai p: Signifikansi statistik dari setiap korelasi

Statistik Tambahan

R-kuadrat (R²): Koefisien determinasi - proporsi variansi yang dijelaskan
Garis Regresi: Persamaan garis best-fit (Y = aX + b)
Statistik Sampel: Rata-rata, deviasi standar, dan kovarian

Kapan Menggunakan Setiap Korelasi

Gunakan Korelasi Pearson Ketika:

Kedua variabel kontinu dan berdistribusi normal
Hubungan antar variabel tampak linier
Tidak ada outlier yang signifikan
Anda ingin mengukur asosiasi linier secara spesifik

Gunakan Korelasi Spearman Ketika:

Data bersifat ordinal atau berperingkat
Hubungan monotonik tetapi tidak harus linier
Data mengandung outlier yang dapat mempengaruhi Pearson
Asumsi normalitas dilanggar

Gunakan Kendall Tau Ketika:

Ukuran sampel kecil
Ada banyak nilai yang sama
Anda membutuhkan ukuran yang lebih robust dengan asumsi yang lebih sedikit

Aplikasi Analisis Korelasi

Penelitian dan Akademik

Para peneliti menggunakan analisis korelasi untuk mengeksplorasi hubungan antar variabel sebelum melakukan analisis yang lebih kompleks. Ini membantu mengidentifikasi prediktor potensial dan memahami struktur data.

Keuangan dan Ekonomi

Korelasi sangat penting untuk diversifikasi portofolio, manajemen risiko, dan memahami bagaimana aset atau indikator ekonomi yang berbeda bergerak bersama.

Kesehatan dan Kedokteran

Peneliti medis menggunakan korelasi untuk mempelajari hubungan antara faktor risiko, efek pengobatan, dan hasil kesehatan.

Psikologi dan Ilmu Sosial

Analisis korelasi membantu memahami hubungan antara konstruk psikologis, ukuran perilaku, dan variabel sosial.

Pertimbangan Penting

Korelasi Tidak Menyiratkan Kausalitas

Korelasi yang tinggi antara dua variabel tidak berarti satu menyebabkan yang lain. Mungkin ada variabel pengganggu, kausalitas terbalik, atau hubungan kebetulan.

Ukuran Sampel Penting

Sampel kecil dapat menghasilkan korelasi yang menyesatkan. Dengan sedikit titik data, bahkan data acak dapat menunjukkan korelasi yang tampak kuat yang tidak signifikan secara statistik.

Outlier Dapat Mendistorsi Hasil

Nilai ekstrem dapat sangat mempengaruhi korelasi Pearson. Pertimbangkan untuk menggunakan Spearman atau memeriksa data Anda untuk outlier ketika hasil tampak tidak biasa.

Pertanyaan yang Sering Diajukan

Apa itu Koefisien Korelasi Pearson?

Koefisien korelasi Pearson (r) mengukur hubungan linier antara dua variabel kontinu. Nilainya berkisar dari -1 hingga +1, di mana +1 menunjukkan hubungan linier positif sempurna, -1 menunjukkan hubungan linier negatif sempurna, dan 0 menunjukkan tidak ada hubungan linier.

Apa itu Koefisien Korelasi Peringkat Spearman?

Koefisien korelasi peringkat Spearman (rho atau rs) adalah ukuran non-parametrik yang menilai seberapa baik hubungan antara dua variabel dapat dijelaskan menggunakan fungsi monotonik. Ini bekerja dengan data berperingkat dan tidak mengasumsikan distribusi normal.

Bagaimana cara menginterpretasikan nilai koefisien korelasi?

Koefisien korelasi biasanya diinterpretasikan sebagai: |r| = 0,00-0,19 (sangat lemah), |r| = 0,20-0,39 (lemah), |r| = 0,40-0,59 (sedang), |r| = 0,60-0,79 (kuat), |r| = 0,80-1,00 (sangat kuat). Tanda menunjukkan arah.

Apa itu nilai p dalam analisis korelasi?

Nilai p menunjukkan probabilitas mengamati korelasi yang dihitung jika benar-benar tidak ada korelasi. Nilai p kurang dari 0,05 biasanya dianggap signifikan secara statistik.

Apa itu R-kuadrat (koefisien determinasi)?

R-kuadrat adalah kuadrat dari koefisien korelasi dan mewakili proporsi variansi dalam satu variabel yang dijelaskan oleh yang lain. Misalnya, jika r = 0,8, R² = 0,64, berarti 64% variansi dijelaskan.

Kapan saya harus menggunakan korelasi Pearson vs Spearman?

Gunakan Pearson ketika kedua variabel kontinu, berdistribusi normal, dan berhubungan linier. Gunakan Spearman ketika data ordinal, mengandung outlier, atau ketika hubungan monotonik tetapi tidak linier.

Apakah nilai X dan Y harus dimasukkan dalam urutan yang saling cocok?

Ya. Setiap nilai X harus dipasangkan dengan nilai Y dari pengamatan yang sama, dan kedua kolom harus memiliki jumlah nilai yang sama. Contohnya, jika X mencatat jam belajar seseorang dan Y mencatat nilai ujian orang yang sama, pertahankan jam belajar dan nilai ujian tiap orang pada baris yang sama. Kolom yang tidak sejajar dapat menghasilkan korelasi yang tidak menggambarkan hubungan yang ingin Anda ukur.

Apa yang terjadi jika semua nilai dalam salah satu variabel sama?

Korelasi tidak terdefinisi jika salah satu variabel tidak memiliki variasi. Contohnya, jika setiap nilai X adalah 5, simpangan baku X bernilai nol sehingga rumus korelasi Pearson akan membagi dengan nol. Tidak ada pola perubahan X yang dapat dibandingkan dengan Y. Kumpulkan atau pilih data yang membuat kedua variabel bervariasi jika ingin mengukur bagaimana keduanya bergerak bersama.

Apakah korelasi yang kuat membuktikan bahwa perubahan X akan mengubah Y?

Tidak. Korelasi yang kuat menggambarkan hubungan antara nilai-nilai berpasangan, tetapi tidak membuktikan bahwa satu variabel menyebabkan perubahan pada variabel lain. Contohnya, penjualan es krim dan aktivitas berenang dapat sama-sama meningkat saat cuaca hangat, sedangkan suhu memengaruhi keduanya. Untuk mendukung kesimpulan sebab-akibat, peneliti memerlukan rancangan studi yang sesuai dan harus mempertimbangkan penjelasan lain yang mungkin.

Sumber Daya Tambahan

Korelasi Peringkat Kendall - Wikipedia

Kutip konten, halaman, atau alat ini sebagai:

"Kalkulator Koefisien Korelasi" di https://MiniWebtool.com/id/kalkulator-koefisien-korelasi/ dari MiniWebtool, https://MiniWebtool.com/

oleh tim miniwebtool. Diperbarui: 16 Jan 2026

API developer tersedia: Jalankan alat ini dari aplikasi, otomatisasi, atau agen Anda dengan satu permintaan HTTP JSON. Lihat dokumentasi API