Pengembang Platform & Instruktur Utama

Thoriqi Firdaus, S.Pd., M.Pd.

Dosen Universitas Pelita Bangsa

💻 Digital Pedagogy 🤖 AI in Science Education 🌱 STEM-Green Integration 🌍 Socio-scientific Issues

Pertemuan 8

Pengujian Korelasi Sederhana

Product Moment & Spearman Rank

Sub-CPMK 5: Menerapkan uji hipotesis dan analisis statistika inferensial sederhana (Uji Korelasi Sederhana) secara akurat untuk menganalisis hubungan antar variabel dalam pendidikan.

Mulai Eksplorasi

Bagian A

Apa Sebenarnya Korelasi Itu?

Korelasi mengukur arah dan kekuatan hubungan antara dua variabel. Namun, ingat aturan emas ini sebelum melangkah lebih jauh...

🚨

Aturan Emas: Korelasi BUKAN Sebab-Akibat (Causation)

Hanya karena dua hal bergerak bersamaan, bukan berarti hal yang satu menyebabkan yang lain.
Contoh: Penjualan es krim dan angka orang tenggelam sama-sama meningkat di bulan Juli (Korelasi Positif). Apakah es krim menyebabkan orang tenggelam? Tentu tidak! Keduanya disebabkan oleh faktor ketiga: Cuaca Panas.

Tiga Pola Dasar Korelasi

📈

Korelasi Positif

Satu variabel naik, variabel lain ikut naik.

Contoh: Semakin banyak waktu belajar (X), nilai ujian siswa (Y) cenderung semakin tinggi.

📉

Korelasi Negatif

Satu variabel naik, variabel lain justru turun.

Contoh: Semakin sering siswa membolos (X), nilai akhir semesternya (Y) cenderung semakin rendah.

🔀

Tidak Ada Korelasi Linear

Titik acak berantakan atau membentuk garis melengkung (U-shape).

Catatan: Jika polanya melengkung, korelasi Pearson-nya bisa 0, padahal sebenarnya ada hubungan (hanya saja bukan garis lurus).

🧪 Scatter Plot Lab: Ubah Titik, Lihat Korelasinya!

Coba klik dan tahan (drag) salah satu titik, atau klik area kosong untuk menambah titik baru (Pencilan/Outlier). Perhatikan bagaimana nilai r berubah di layar!

Nilai Korelasi (r) = 0.00

Sumbu X (Variabel 1) ➡

Sumbu Y (Variabel 2) ➡

Pilih Pola Data:

Aksi Manual:

Petunjuk Interaksi:

Geser: Klik/Sentuh dan tahan titik untuk memindahkannya.
Tambah: Klik/Sentuh area kosong pada grafik.
Hapus Titik: Klik ganda (Double-click) pada sebuah titik.

Pertanyaan Refleksi

🎯

Apakah perubahan posisi satu titik selalu mengubah korelasi?

Iya! Korelasi dipengaruhi oleh pola keseluruhan data. Jika Anda menggeser satu titik, nilai rata-rata X dan Y akan bergeser, sehingga nilai koefisien (r) pasti akan ikut berubah (meskipun terkadang perubahannya kecil jika datanya banyak).

☄️

Bagaimana jika ada satu titik yang sangat jauh (Pencilan / Outlier)?

Coba sendiri di atas: Buat "Pola Acak" (r mendekati 0), lalu klik pojok kanan atas grafik untuk menaruh satu titik ekstrim. Apa yang terjadi? Nilai r tiba-tiba melonjak naik! Inilah pesannya: Satu buah pencilan (outlier) dapat merusak dan memanipulasi nilai korelasi secara signifikan.

Bagian B

Korelasi Pearson Product Moment

Digunakan untuk mengukur arah dan kekuatan hubungan linear antara dua variabel yang bernilai numerik (angka).

⏱️ ↔️ 📝

Waktu Belajar (Jam)
vs
Nilai Ujian (Angka)

📚 ↔️ 🎯

Jumlah Latihan Soal
vs
Skor Tes Akhir

Pembedahan Rumus Pearson (r)

Jangan takut dengan rumusnya! Arahkan kursor / sentuh bagian Atas (Pembilang) atau Bawah (Penyebut) untuk melihat rahasia di baliknya.

r =

Σ (x - x̄)(y - ȳ)

√ [ Σ(x - x̄)² Σ(y - ȳ)² ]

💡

Sentuh bagian rumus di sebelah kiri!
Rumus ini dirancang dengan sangat cerdas untuk mendeteksi apakah dua variabel bergerak seirama atau berlawanan.

Cara Membaca Koefisien Pearson (r)

Nilai r selalu berada di rentang -1 hingga +1. Geser tuas di bawah ini untuk melihat terjemahannya!

+0.00

Hubungan linear lemah atau tidak jelas

⚖️

Pesan Penting: Tidak Ada Aturan Mutlak!

Banyak buku lama memberikan tabel kaku (misal: "0,8 = Sangat Kuat"). Hindari kebiasaan ini! Kategori kekuatan korelasi sangat bergantung pada:

Bidang Kajian: Di ilmu fisika, korelasi 0,7 mungkin dianggap "lemah/gagal". Tapi di riset perilaku manusia (pendidikan/psikologi), korelasi 0,6 sudah dianggap sangat kuat dan bermakna!
Konteks Data & Tujuan: Evaluasilah nilai r berdasarkan logika dan literatur penelitian terdahulu di bidang Anda.

🧪 Dynamic Pearson Lab

Simulasi Data Siswa & Perubahan Korelasi

Setiap kelas memiliki kondisi siswa yang berbeda. Klik tombol di bawah untuk melihat bagaimana variasi nilai siswa mengubah tabel data dan grafik korelasi secara instan!

Mahasiswa	Waktu Belajar (X)	Nilai Ujian (Y)

Tabel dan titik grafik akan berubah bersamaan.

📊 Analisis Otomatis:

Menghitung hubungan linier antar variabel...

r = +1.00

💡 Pelajaran Praktis: Perhatikan bagaimana pergeseran angka pada tabel (misal siswa yang waktu belajarnya sedikit tapi nilainya tinggi) langsung menarik garis tren dan mengubah nilai koefisien r pada grafik di atasnya.

📊 Standar Kekuatan Korelasi Berbasis Riset (Ilmu Sosial & Pendidikan)

Panduan umum kekuatan hubungan dalam riset pendidikan:

< 0.20

Sangat Lemah

0.20 – 0.39

Lemah / Rendah

0.40 – 0.69

Sedang (Umum di Pendidikan)

≥ 0.70

Kuat / Tinggi

Bagian C

Korelasi Spearman Rank (r_s / ρ_s)

Digunakan untuk mengukur hubungan monotonik berdasarkan peringkat data, bukan nilai aslinya.

📈

Apa itu Hubungan Monotonik?

Ketika satu variabel meningkat, variabel lain cenderung terus meningkat atau terus menurun, meskipun polanya tidak harus berupa garis lurus (bisa melengkung asalkan konsisten searah).

🎯

Kapan Harus Memakainya?

Data berbentuk peringkat atau ordinal (misal: ranking 1 s.d. 10).
Hubungan konsisten tapi tidak linear (Pearson gagal menangkapnya).
Terdapat data ekstrem (outlier) yang merusak nilai Pearson.

🧪 Spearman Rank Lab: Studi Kasus Motivasi vs Hasil Belajar

Berikut adalah data ilustratif 5 mahasiswa. Angka 1 adalah peringkat terendah dan 5 adalah peringkat tertinggi.

Mahasiswa	Peringkat Motivasi (X)	Peringkat Hasil Belajar (Y)	Selisih (d = X - Y)	d² (Selisih Kuadrat)
A	1	2	1 - 2 = -1	1
B	2	1	2 - 1 = 1	1
C	3	3	3 - 3 = 0	0
D	4	4	4 - 4 = 0	0
E	5	5	5 - 5 = 0	0
Jumlah Total (Σd²) =				2

Penerapan Rumus Sederhana (Tanpa Ties):

r_s = 1 −

6 ∑ d_i²

n (n² − 1)

1. Masukkan angka Σd² = 2 dan n = 5:

r_s = 1 −

6 (2)

5 (5² − 1)

2. Selesaikan bagian bawah (penyebut): 5(25 - 1) = 5(24) = 120

3. Hitung hasil akhir:

r_s = 1 − 12 / 120 = 1 − 0,10 = +0,90

Interpretasi: Nilai r_s = +0,90 menunjukkan adanya hubungan positif yang sangat kuat antara peringkat motivasi dan peringkat hasil belajar siswa!

⚠️

Catatan Penting: Bagaimana Jika Ada Peringkat yang Sama (Ties)?

Pada contoh di atas, semua peringkat unik (tidak ada nilai kembar). Jika di data nyata ada nilai yang sama (misal dua siswa sama-sama juara 2):
Jangan menggunakan rumus sederhana di atas secara langsung karena akan menghasilkan bias! Anda harus menggunakan penyesuaian khusus untuk ties, atau menggunakan fungsi korelasi Pearson yang diterapkan langsung pada data peringkat tersebut di SPSS/Excel.

🧪 Spearman Interactive Lab

Laboratorium Peringkat & Selisih (Spearman Rank)

Ubah nilai pada Panel Kiri (Data Asli), lalu amati bagaimana sistem di Panel Kanan secara otomatis mengonversinya menjadi peringkat, menghitung d^2, dan memperbarui koefisien r_s secara instan!

Panel Kiri: Data Asli

Input Nilai Mahasiswa

Anda dapat mengubah angka di kolom input untuk melihat reaksi sistem.

Mhs	Motivasi (X)	Hasil Belajar (Y)

💡 Ubah angka di atas, lalu lihat perubahan perhitungannya di sebelah kanan.

Panel Kanan: Perhitungan Peringkat

Mhs	Rank X	Rank Y	Selisih (d)	d²
Jumlah Σd² =				2

Interpretasi: Hubungan positif sangat kuat antara motivasi dan hasil belajar.

Bagian D & Puncak

Pearson vs Spearman: Bagaimana Cara Memilihnya?

Jangan sampai salah kamar! Gunakan panduan komparasi ini untuk menentukan kapan harus menggunakan Pearson Product Moment atau Spearman Rank.

Aspek Perbandingan	📊 Pearson Product Moment	📈 Spearman Rank
Apa yang Diukur?	Hubungan linear (kekuatan dan arah garis lurus).	Hubungan monotonik (konsisten naik/turun tanpa harus lurus).
Jenis Data Umum	Dua variabel numerik (interval/rasio).	Data ordinal, peringkat, atau numerik yang melanggar asumsi linearitas.
Pola yang Dicari	Titik data mengikuti kecenderungan garis lurus.	Kecenderungan naik atau turun yang konsisten secara berurutan.
Pemeriksaan Penting	Linearitas, pencilan (outlier), dan asumsi inferensi.	Monotonisitas, penanganan peringkat (ranks), dan pencilan.
Simbol Hasil	Koefisien r	Koefisien r_s atau ρ_s

💡

Catatan Penting Dosen: Mitos Normalitas & Pemilihan Metode

Banyak yang keliru mengira bahwa "Spearman adalah pilihan otomatis setiap kali data tidak normal." Ini adalah kesimpulan yang salah!

1. Soal Normalitas: Normalitas bivariat memang relevan untuk uji inferensi klasik Pearson (uji signifikansi $p$-value). Namun, menghitung koefisien Pearson ($r$) itu sendiri tidak mensyaratkan data harus berdistribusi normal (ia hanya menghitung seberapa lurus hubungan data).

2. Dasar Pemilihan: Pemilihan metode harus dikembalikan pada pola hubungan antarvariabel dan pertanyaan penelitian Anda. Jika polanya melengkung konsisten (monotonik) atau datanya berupa ranking, pilihlah Spearman. Jika polanya garis lurus numerik, pilihlah Pearson.

Bagian E & Puncak

Pengujian Signifikansi Korelasi

Hubungan langsung dengan uji hipotesis: Membedakan antara besar kekuatan hubungan (Koefisien r) dengan bukti statistik (P-Value).

📐

1. Koefisien Korelasi (r / ρ)

Menunjukkan arah dan kekuatan hubungan di dalam sampel data Anda (seberapa dekat titik-titik dengan garis tren).

⚖️

2. Uji Signifikansi (P-Value)

Mengevaluasi apakah data memberikan bukti statistik bahwa hubungan tersebut benar-benar ada di populasi, bukan sekadar kebetulan sampel.

Merumuskan Hipotesis Pengujian Dua Arah

H₀ : ρ = 0 (Tidak ada korelasi di populasi)

H₁ : ρ ≠ 0 (Terdapat korelasi di populasi)

Langkah Keputusan P-Value:

Jika p ≤ 0,05 → Tolak H₀ (Signifikan) Jika p > 0,05 → Gagal Tolak H₀ (Tidak Signifikan*)

*Hasil tidak signifikan bukan berarti hubungan mutlak tidak ada, melainkan bukti sampel belum cukup kuat.

🧪 Correlation Significance Lab: Ukuran Sampel vs Kekuatan Bukti

Geser tuas ukuran sampel (n) atau pilih contoh kasus untuk melihat bagaimana jumlah data memengaruhi tingkat signifikansi (p-value).

Jumlah Sampel (n): 10

Koefisien Korelasi (r): +0.60

Koefisien Sampel (r): 0.60

Nilai P-Value (Signifikansi): 0.067

⚠️ Tidak Signifikan (p > 0.05)

Analisis: Dengan r = 0.60 tetapi n sangat kecil (10), ketidakpastian estimasi sangat tinggi. P-value bernilai > 0.05, artinya bukti statistik belum cukup untuk menolak H0.