Pearson S Correlation dan Link Download File Referensi
https://eu2.contabostorage.com/00f3241116844f24b628f46d81abb929:st1/folder9/9846/1656552241_biostat_10__uji_korelasi_dari_pearson___Ilmu_Kesehatan.pdf
2026-06-01 22:53:03 - Admin
<style> body { font-family: Arial, Helvetica, sans-serif; line-height: 1.6; margin: 20px; color: #333; background-color: #f9f9f9; } h1, h2, h3 { color: #2c3e50; } p { margin-bottom: 1em; } table { border-collapse: collapse; width: 100%; margin: 1em 0; } th, td { border: 1px solid #bbb; padding: 8px; text-align: center; } th { background-color: #eaeaea; } .example { background-color: #fff8e1; padding: 10px; border-left: 4px solid #f1c40f; margin: 1em 0; } .note { font-size: 0.9em; color: #555; } </style><h1>Pearsons Correlation (Koefisien Korelasi Pearson)</h1><p>Koefisien korelasi Pearson, yang biasanya dilambangkan dengan <em>r</em>, adalah ukuran statistik yang menggambarkan kekuatan dan arah hubungan linear antara dua variabel numerik. Nilai <em>r</em> berada antara 1 dan +1. Nilai +1 menandakan hubungan linear positif sempurna, nilai 1 menandakan hubungan linear negatif sempurna, sementara nilai 0 menyatakan tidak ada hubungan linear.</p><h2>Rumus Dasar</h2><p>Koefisien Pearson dihitung dengan rumus:</p><p>\[r = \frac{\sum_{i=1}^{n}(X_i-\bar X)(Y_i-\bar Y)}{\sqrt{\sum_{i=1}^{n}(X_i-\bar X)^2}\;\sqrt{\sum_{i=1}^{n}(Y_i-\bar Y)^2}}\]</p><p>Dimana:</p><ul> <li><strong>X<sub>i</sub></strong> dan <strong>Y<sub>i</sub></strong> adalah nilai individual masingmasing variabel.</li> <li><strong>\(\bar X\)</strong> dan <strong>\(\bar Y\)</strong> adalah ratarata sampel dari X dan Y.</li> <li><strong>n</strong> adalah jumlah pasangan data.</li></ul><h2>Interpretasi Nilai <em>r</em></h2><table> <tr><th>Rentang r</th><th>Interpretasi</th></tr> <tr><td>0,81,0</td><td>Sangat kuat, hubungan positif</td></tr> <tr><td>0,60,79</td><td>Kuat, hubungan positif</td></tr> <tr><td>0,40,59</td><td>Moderat, hubungan positif</td></tr> <tr><td>0,20,39</td><td>Lemah, hubungan positif</td></tr> <tr><td>00,19</td><td>Sangat lemah atau tidak ada hubungan</td></tr> <tr><td>-0,2-0,39</td><td>Lemah, hubungan negatif</td></tr> <tr><td>-0,4-0,59</td><td>Moderat, hubungan negatif</td></tr> <tr><td>-0,6-0,79</td><td>Kuat, hubungan negatif</td></tr> <tr><td>-0,8-1,0</td><td>Sangat kuat, hubungan negatif</td></tr></table><p>Perlu diingat bahwa nilai <em>r</em> hanya mengukur linearitas. Dua variabel dapat memiliki hubungan yang kuat tetapi nonlinear, sehingga <em>r</em> dapat mendekati 0 meski ada pola yang jelas.</p><h2>Asumsiasumsi Pearsons Correlation</h2><ol> <li><strong>Skala interval atau rasio</strong>: Kedua variabel harus berskala numerik kontinu.</li> <li><strong>Hubungan linear</strong>: Hubungan yang diuji harus bersifat linear.</li> <li><strong>Normalitas</strong>: Distribusi pasangan (X, Y) sebaiknya mendekati normal (terutama bila ukuran sampel kecil).</li> <li><strong>Homogenitas varians</strong> (homoscedasticity): Penyebaran nilai Y pada setiap nilai X harus seragam.</li> <li><strong>Observasi independen</strong>: Setiap pasangan data tidak boleh saling memengaruhi.</li></ol><h2>Langkahlangkah Menghitung Pearsons Correlation</h2><div class="example"> <strong>Contoh:</strong> Diberikan data tinggi badan (cm) dan berat badan (kg) dari 6 orang: <table> <tr><th>Orang</th><th>Tinggi (X)</th><th>Berat (Y)</th></tr> <tr><td>1</td><td>160</td><td>55</td></tr> <tr><td>2</td><td>165</td><td>59</td></tr> <tr><td>3</td><td>170</td><td>62</td></tr> <tr><td>4</td><td>175</td><td>66</td></tr> <tr><td>5</td><td>180</td><td>70</td></tr> <tr><td>6</td><td>185</td><td>73</td></tr> </table> <ol> <li>Hitung ratarata <em>\(\bar X\)</em> = (160+165++185)/6 = 172,5.</li> <li>Hitung ratarata <em>\(\bar Y\)</em> = (55+59++73)/6 = 62,5.</li> <li>Hitung selisih (X\(\bar X\)) dan (Y\(\bar Y\)) untuk tiap observasi, kalikan, dan jumlahkan.</li> <li>Hitung \(\sum (X_i-\bar X)^2\) dan \(\sum (Y_i-\bar Y)^2\).</li> <li>Masukkan semua nilai ke rumus Pearson untuk mendapatkan <em>r</em> 0,987.</li> </ol> <p>Interpretasinya: Terdapat hubungan linear positif yang sangat kuat antara tinggi dan berat badan pada sampel ini.</p></div><h2>Penggunaan Praktis</h2><p>Koefisien Pearson banyak dipakai dalam bidang:</p><ul> <li><strong>Penelitian sosial</strong>: Menguji hubungan antara tingkat pendidikan dan pendapatan.</li> <li><strong>Ilmu kesehatan</strong>: Menilai korelasi antara asupan kalori dan indeks massa tubuh.</li> <li><strong>Ekonomi</strong>: Mengukur hubungan antara inflasi dan suku bunga.</li> <li><strong>Data mining & AI</strong>: Seleksi fitur, mengidentifikasi variabel yang saling berhubungan.</li></ul><h2>Uji Signifikansi (Uji t)</h2><p>Setelah memperoleh nilai <em>r</em>, biasanya dilakukan uji signifikansi untuk mengetahui apakah korelasi tersebut berbeda secara statistik dari nol. Statistik uji t dihitung dengan:</p><p>\[t = r \sqrt{\frac{n-2}{1-r^{2}}}\]</p><p>Derajat kebebasan (df) = n2. Nilai t dibandingkan dengan nilai kritis pada tabel t untuk tingkat signifikansi yang dipilih (misalnya = 0,05). Jika |t| > t<sub>kritik</sub>, maka korelasi dianggap signifikan.</p><h2>Keterbatasan Pearsons Correlation</h2><ul> <li>Hanya menangkap hubungan linear; tidak cocok untuk pola melengkung.</li> <li>Sensitif terhadap outlier; satu nilai ekstrim dapat menurunkan atau meningkatkan <em>r</em> secara drastis.</li> <li>Asumsi normalitas dan homoscedasticity seringkali tidak terpenuhi pada data dunia nyata.</li> <li>Tidak membuktikan kausalitas; korelasi tidak berarti satu variabel menyebabkan perubahan pada yang lain.</li></ul><h2>Alternatif Bila Asumsi Tidak Terpenuhi</h2><p>Jika data melanggar asumsi Pearson, pertimbangkan:</p><ul> <li><strong>Korelasi Spearman ()</strong>: Mengukur korelasi monotonic menggunakan peringkat.</li> <li><strong>Korelasi Kendalls tau ()</strong>: Lebih tahan terhadap data kecil dan banyak ikatan.</li> <li><strong>Transformasi data</strong>: Log, akar kuadrat, atau BoxCox untuk mendekati normalitas.</li></ul><h2>Kesimpulan</h2><p>Koefisien korelasi Pearson adalah alat statistik yang sederhana namun kuat untuk menilai kekuatan dan arah hubungan linear antara dua variabel numerik. Memahami asumsiasumsi dasar, cara menghitung, serta cara menguji signifikansi sangat penting agar interpretasi hasil menjadi tepat. Selalu periksa visualisasi (scatter plot) dan periksa outlier sebelum melaporkan nilai <em>r</em>, serta siapkan alternatif bila data tidak memenuhi asumsi.</p><p class="note">Sumber: Buku Statistik Dasar, Modul Analisis Data, dan literatur psikometri.</p>