Korelasi Spearman: Kapan Dipakai vs Pearson

Korelasi Spearman adalah ukuran statistik yang ngitung kekuatan hubungan monoton antara dua variabel berdasarkan peringkatnya, bukan nilai aslinya.

Ini pelengkap penting buat korelasi Pearson. Waktu Pearson gagal karena data melengkung atau ada outlier, Spearman sering jadi jawabannya. Tapi banyak orang bingung kapan harus pakai yang mana.

Di artikel ini kamu bakal tau bedanya Spearman dan Pearson, kapan pakai masing-masing, dan cara hitungnya di Excel dan Python.

Apa itu korelasi Spearman?

Korelasi Spearman (dilambangkan rho atau rs) ngukur seberapa kuat dua variabel bergerak searah, dihitung dari peringkat datanya bukan nilai mentah. Caranya ubah dulu tiap nilai jadi peringkat, lalu hitung korelasi dari peringkat itu. Hasilnya angka dari -1 sampai 1, sama seperti Pearson.

Karena kerja di peringkat, Spearman nangkap hubungan monoton, yaitu hubungan yang arahnya konsisten naik atau turun, walau gak lurus. Ini yang bikin dia lebih fleksibel dari Pearson.

Buat dasar konsepnya, cek dulu glosarium korelasi.

Apa bedanya Spearman dan Pearson?

Beda utamanya di apa yang dihitung. Pearson pakai nilai asli dan cuma nangkap pola garis lurus. Spearman pakai peringkat, jadi bisa nangkap pola melengkung yang searah dan lebih tahan outlier. Tabel ini ngerangkum bedanya.

Aspek	Pearson	Spearman
Dasar hitungan	Nilai asli	Peringkat
Jenis hubungan	Linear (lurus)	Monoton (searah)
Tahan outlier	Nggak	Iya
Cocok buat data ordinal	Nggak	Iya
Butuh distribusi normal	Idealnya iya	Nggak

Buat detail lengkap Pearson, baca panduan korelasi Pearson yang bahas rumus dan cara bacanya.

Kapan pakai Spearman vs Pearson?

Pakai Pearson kalau hubungan datamu lurus, datanya numerik bersih, dan gak ada outlier ekstrem. Pakai Spearman kalau datamu berupa peringkat, ada pencilan, atau polanya naik terus tapi melengkung. Kalau ragu, hitung keduanya lalu bandingin.

Patokan cepat kapan pilih Spearman:

• Data ordinal. Rating bintang, tingkat kepuasan, ranking. Ini bukan angka interval, jadi Pearson gak tepat.
• Ada outlier. Satu nilai ekstrem bisa narik Pearson jauh. Spearman cuek karena kerja di peringkat.
• Pola melengkung. Hubungan yang searah tapi gak lurus bikin Pearson keliatan lemah. Spearman nangkap penuh.
• Distribusi jauh dari normal. Spearman gak butuh asumsi normalitas.

Kalau Pearson dan Spearman hasilnya beda jauh, itu sinyal ada outlier atau hubungan non-linear di datamu.

Gimana cara hitung korelasi Spearman?

Di Excel gak ada fungsi SPEARMAN langsung, tapi kamu bisa akalin lewat dua langkah. Ubah dua kolom jadi peringkat pakai RANK, lalu hitung CORREL dari kolom peringkat itu.

# Kolom C: peringkat data kolom A
=RANK(A2, $A$2:$A$50, 1)

# Kolom D: peringkat data kolom B
=RANK(B2, $B$2:$B$50, 1)

# Korelasi Spearman = CORREL dari kedua peringkat
=CORREL(C2:C50, D2:D50)

Di Python jauh lebih singkat. SciPy punya fungsi khusus yang sekalian ngasih p-value.

from scipy.stats import spearmanr

rho, p_value = spearmanr(df['rating'], df['pembelian_ulang'])
print(f"rho = {rho:.2f}, p = {p_value:.4f}")
# rho = 0.71, p = 0.0002

Contoh kasus: rating vs pembelian ulang toko_berkah

Ambil dataset toko_berkah. Aku mau tau apakah pelanggan yang kasih rating tinggi juga lebih sering beli ulang. Rating berupa bintang 1 sampai 5, jadi ini data ordinal. Pearson gak tepat di sini, Spearman yang benar.

Hasilnya rho = 0,71, hubungan monoton positif yang kuat. Makin tinggi rating, makin sering pelanggan beli lagi. Kalau aku paksa pakai Pearson, hasilnya cuma 0,58 karena hubungannya gak persis lurus dan ada beberapa pelanggan outlier.

Metode	Nilai korelasi	Catatan
Spearman	0,71	Tepat, data ordinal
Pearson	0,58	Meleset, kegoyang outlier

Selisih 0,13 ini bukan angka kecil. Kalau kamu ambil keputusan dari Pearson, kamu bakal ngeremehin kekuatan hubungan aslinya.

Kesalahan umum pakai Spearman

Spearman gampang dipakai, tapi ada beberapa salah kaprah.

• Pakai Pearson buat data rating. Rating itu peringkat, bukan angka interval. Selalu pakai Spearman.
• Nyangka Spearman ngukur hubungan lurus. Spearman ngukur monoton, arah searah, bukan garis lurus. Jangan salah tafsir.
• Lupa plot data. Sama seperti Pearson, selalu lihat scatter dulu. Angka bisa nipu.
• Ngeklaim sebab-akibat. Korelasi tinggi, mau Pearson atau Spearman, tetap bukan bukti yang satu nyebabin yang lain.

FAQ

Pertanyaan yang sering muncul soal korelasi Spearman.

Penutup

Korelasi Spearman kerja di peringkat, jadi dia nangkap hubungan searah apa pun dan tahan outlier. Ini pilihan tepat buat data ranking, rating, atau pola melengkung.

Aturan gampangnya: Pearson buat pola lurus dan data numerik bersih, Spearman buat peringkat, outlier, dan pola melengkung. Kalau ragu, hitung keduanya.

Mau lanjut kuasai statistik buat analisis data? Latihan interaktifnya ada di NgulikData, dan baca dulu panduan korelasi Pearson biar paham dua-duanya. Referensi teknis fungsinya ada di dokumentasi SciPy spearmanr.