Kalkulator Korelasi Peringkat Spearman

Q: Apa itu koefisien korelasi peringkat Spearman?

Koefisien korelasi peringkat Spearman (rho) adalah ukuran non-parametrik dari kekuatan dan arah hubungan monotonik antara dua variabel. Berbeda dengan korelasi Pearson yang mengukur hubungan linier, Spearman bekerja dengan data peringkat dan dapat mendeteksi hubungan monotonik apa pun. Nilai berkisar dari -1 (monotonik negatif sempurna) hingga +1 (monotonik positif sempurna), dengan 0 menunjukkan tidak ada hubungan monotonik.

Q: Kapan saya harus menggunakan korelasi Spearman daripada Pearson?

Gunakan korelasi Spearman ketika data Anda bersifat ordinal (peringkat), ketika hubungannya monotonik tetapi tidak harus linier, ketika data Anda mengandung pencilan (Spearman lebih kuat), atau ketika data Anda tidak memenuhi asumsi normalitas yang diwajibkan oleh korelasi Pearson. Spearman juga tepat untuk ukuran sampel kecil dan ketika Anda ingin mengukur asosiasi tanpa mengasumsikan distribusi tertentu.

Q: Bagaimana Spearman menangani nilai seri?

Ketika dua atau lebih observasi memiliki nilai yang sama, mereka diberikan rata-rata peringkat yang seharusnya mereka terima. Misalnya, jika dua nilai seri untuk peringkat 3 dan 4, keduanya menerima peringkat 3,5. Faktor koreksi kemudian diterapkan pada rumus untuk memperhitungkan seri ini, memastikan koefisien korelasi tetap akurat.

Q: Apa arti korelasi Spearman yang signifikan?

Korelasi Spearman yang signifikan secara statistik berarti ada bukti yang cukup untuk menolak hipotesis nol bahwa korelasi populasi adalah nol. Uji signifikansi menggunakan distribusi-t dengan n-2 derajat kebebasan. Signifikansi tidak menyiratkan sebab-akibat atau hubungan yang kuat — ini hanya menunjukkan bahwa korelasi yang diamati tidak mungkin terjadi secara kebetulan pada tingkat signifikansi yang dipilih.

Q: Berapa nilai korelasi Spearman yang baik?

Interpretasi tergantung pada konteks, tetapi panduan umum adalah: 0,9-1,0 sangat kuat, 0,7-0,89 kuat, 0,5-0,69 sedang, 0,3-0,49 lemah, dan di bawah 0,3 sangat lemah atau dapat diabaikan. Ini berlaku untuk nilai absolut rho. Nilai negatif menunjukkan hubungan monotonik terbalik, yang bisa sama kuatnya.

Hitung koefisien korelasi peringkat Spearman (ρ) dengan perankingan langkah demi langkah, penanganan peringkat terikat, visualisasi scatter plot, pengujian signifikansi, dan interpretasi detail hubungan monotonik.

Gratis digunakanTidak perlu mendaftarHasil instan

Kalkulator Korelasi Peringkat SpearmanCoba sekarang — gratis ▼

📊 Contoh Cepat — klik untuk memuat:

Variabel X X

Variabel Y Y

Presisi Desimal

Tingkat Signifikansi

ℹ Korelasi peringkat Spearman mengukur hubungan monotonik — ini mendeteksi apakah variabel secara konsisten meningkat atau menurun bersama-sama, meskipun hubungannya tidak linier.

Embed Kalkulator Korelasi Peringkat Spearman Widget

Tentang Kalkulator Korelasi Peringkat Spearman

Kalkulator Korelasi Peringkat Spearman menghitung koefisien korelasi peringkat Spearman (ρ, juga ditulis sebagai r_s), sebuah ukuran non-parametrik dari kekuatan dan arah hubungan monotonik antara dua variabel peringkat. Ini bekerja dengan mengonversi data mentah ke peringkat dan kemudian mengukur korelasi antara peringkat tersebut, menjadikannya kuat terhadap pencilan dan cocok untuk data ordinal.

Cara Menggunakan Kalkulator Korelasi Peringkat Spearman

Masukkan nilai X: Masukkan set data pertama Anda di kolom Variabel X, dipisahkan oleh koma, spasi, atau jeda baris.
Masukkan nilai Y: Masukkan set data kedua Anda di kolom Variabel Y. Kedua dataset harus memiliki jumlah nilai yang sama.
Atur presisi: Pilih jumlah tempat desimal untuk hasil Anda (2 hingga 15).
Pilih tingkat signifikansi: Pilih α = 0.01, 0.05, atau 0.10 untuk pengujian hipotesis.
Klik Hitung: Lihat koefisien korelasi, uji signifikansi, visualisasi, dan perhitungan langkah-demi-langkah.

Rumus Korelasi Peringkat Spearman

Untuk data tanpa nilai seri, ρ Spearman dihitung sebagai:

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

di mana $d_i$ adalah perbedaan antara peringkat setiap pasangan observasi dan $n$ adalah jumlah pasangan data. Ketika terdapat peringkat seri, faktor koreksi diterapkan menggunakan rumus umum berdasarkan jumlah peringkat.

Kapan Menggunakan Korelasi Spearman vs. Pearson

Pilih korelasi peringkat Spearman ketika:

Data Anda bersifat ordinal (peringkat) alih-alih skala interval atau rasio
Hubungan antar variabel bersifat monotonik tetapi tidak harus linier
Data Anda mengandung pencilan yang akan mendistorsi korelasi Pearson
Data tidak mengikuti distribusi normal
Anda memiliki ukuran sampel yang kecil

Pilih korelasi Pearson ketika data Anda kontinu, terdistribusi normal, dan hubungannya diperkirakan linier.

Menginterpretasikan Hasil

ρ = +1: Hubungan monotonik positif sempurna — seiring meningkatnya X, Y selalu meningkat
ρ = −1: Hubungan monotonik negatif sempurna — seiring meningkatnya X, Y selalu menurun
ρ = 0: Tidak ada hubungan monotonik antar variabel
0,7 ≤ |ρ| < 1,0: Korelasi kuat
0,5 ≤ |ρ| < 0,7: Korelasi sedang
0,3 ≤ |ρ| < 0,5: Korelasi lemah
|ρ| < 0,3: Korelasi sangat lemah atau tidak ada korelasi

Bagaimana Peringkat Seri Ditangani

Ketika dua atau lebih observasi memiliki nilai yang sama, mereka diberikan rata-rata peringkat yang seharusnya mereka tempati. Misalnya, jika nilai pada posisi 3 dan 4 sama, keduanya menerima peringkat 3,5. Kalkulator secara otomatis mendeteksi nilai seri dan menerapkan rumus koreksi yang tepat untuk menjaga akurasi.

Pengujian Signifikansi

Kalkulator melakukan uji-t dua sisi untuk menentukan apakah korelasi tersebut signifikan secara statistik. Statistik ujinya adalah:

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

Ini dibandingkan dengan nilai kritis dari distribusi-t dengan n−2 derajat kebebasan pada tingkat signifikansi yang dipilih.

Pertanyaan yang Sering Diajukan

Apa itu koefisien korelasi peringkat Spearman?

Koefisien korelasi peringkat Spearman (ρ) adalah ukuran non-parametrik dari kekuatan dan arah hubungan monotonik antara dua variabel. Berbeda dengan korelasi Pearson yang mengukur hubungan linier, Spearman bekerja dengan data peringkat dan dapat mendeteksi hubungan monotonik apa pun. Nilai berkisar dari −1 (monotonik negatif sempurna) hingga +1 (monotonik positif sempurna), dengan 0 menunjukkan tidak ada hubungan monotonik.

Kapan saya harus menggunakan korelasi Spearman daripada Pearson?

Gunakan korelasi Spearman ketika data Anda bersifat ordinal, ketika hubungannya monotonik tetapi tidak harus linier, ketika data Anda mengandung pencilan, atau ketika data Anda tidak memenuhi asumsi normalitas yang diwajibkan oleh korelasi Pearson. Spearman juga tepat untuk ukuran sampel kecil dan ketika Anda ingin mengukur asosiasi tanpa mengasumsikan distribusi tertentu.

Bagaimana Spearman menangani nilai seri?

Ketika dua atau lebih observasi memiliki nilai yang sama, mereka diberikan rata-rata peringkat yang seharusnya mereka terima. Misalnya, jika dua nilai seri untuk peringkat 3 dan 4, keduanya menerima peringkat 3,5. Faktor koreksi kemudian diterapkan pada rumus untuk memperhitungkan seri ini, memastikan koefisien korelasi tetap akurat.

Apa arti korelasi Spearman yang signifikan?

Korelasi Spearman yang signifikan secara statistik berarti ada bukti yang cukup untuk menolak hipotesis nol bahwa korelasi populasi adalah nol. Uji signifikansi menggunakan distribusi-t dengan n−2 derajat kebebasan. Signifikansi tidak menyiratkan sebab-akibat atau hubungan yang kuat — ini hanya menunjukkan bahwa korelasi yang diamati tidak mungkin terjadi secara kebetulan pada tingkat signifikansi yang dipilih.

Berapa nilai korelasi Spearman yang baik?

Interpretasi tergantung pada konteks, tetapi panduan umum adalah: 0,9–1,0 sangat kuat, 0,7–0,89 kuat, 0,5–0,69 sedang, 0,3–0,49 lemah, dan di bawah 0,3 sangat lemah atau dapat diabaikan. Ini berlaku untuk nilai absolut ρ. Nilai negatif menunjukkan hubungan monotonik terbalik, yang bisa sama kuatnya.

Kutip konten, halaman, atau alat ini sebagai:

"Kalkulator Korelasi Peringkat Spearman" di https://MiniWebtool.com/id/kalkulator-korelasi-peringkat-spearman/ dari MiniWebtool, https://MiniWebtool.com/

oleh tim miniwebtool. Diperbarui: 15-04-2026

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

Anda juga dapat mencoba Penyelesai Matematika AI GPT kami untuk menyelesaikan masalah matematika Anda melalui pertanyaan dan jawaban dalam bahasa alami.