Uji Korelasi Pearson SPSS: Langkah, Output, dan Batas Nilai r

Uji korelasi Pearson ngukur kekuatan dan arah hubungan lurus antara dua variabel berskala interval atau rasio.

Hasilnya satu angka, namanya r, yang bergerak dari minus 1 sampai plus 1.

Yang bikin banyak skripsi kena revisi bukan langkah SPSS-nya. Tapi cara nafsirin angkanya, terutama waktu nilai r-nya besar tapi datanya cuma 10 baris. Di bawah ini langkah lengkapnya plus contoh hitung manual sampai angka terakhir.

Apa itu uji korelasi Pearson?

Korelasi Pearson membandingkan seberapa seiring dua variabel bergerak, lalu diringkas jadi nilai r. Nilai plus 1 berarti dua variabel bergerak searah dengan sempurna, minus 1 berarti berlawanan arah dengan sempurna, dan nol berarti nggak ada hubungan lurus sama sekali.

Rumusnya:

r = jumlah(dx x dy) / akar(jumlah dx^2 x jumlah dy^2)

dx = tiap nilai x dikurangi rata-rata x
dy = tiap nilai y dikurangi rata-rata y

Kata kuncinya lurus. Pearson buta sama pola melengkung. Dua variabel bisa punya hubungan yang jelas banget di grafik tapi tetap dapet r mendekati nol, kalau bentuknya naik lalu turun.

Kapan pakai Pearson dan kapan Spearman?

Keadaan data	Pakai	Alasan
Interval atau rasio, sebaran normal	Pearson	Paling peka buat hubungan lurus
Ordinal, misalnya skala Likert per item	Spearman	Kerja di peringkat, bukan nilai
Ada nilai ekstrem yang nggak bisa dibuang	Spearman	Lebih tahan sama outlier
Hubungan naik terus tapi melengkung	Spearman	Nangkep arah tanpa syarat garis lurus
Sampel kecil dan sebarannya miring	Spearman	Nggak butuh syarat normalitas

Di SPSS, dua-duanya ada di kotak dialog yang sama. Kamu tinggal centang mana yang dipakai.

Apa syarat uji korelasi Pearson?

1. Dua variabel berskala interval atau rasio. Nominal rupiah, umur, skor total boleh. Kategori nggak.
2. Datanya berpasangan. Tiap baris harus punya nilai x dan y dari sumber yang sama.
3. Hubungannya lurus. Cek pakai scatter plot sebelum ngitung apa pun.
4. Sebaran mendekati normal. Cek pakai Shapiro-Wilk buat sampel di bawah 50.
5. Nggak ada outlier ekstrem. Satu titik jauh bisa ngubah r secara drastis.

Syarat nomor 3 dan 5 yang paling sering dilewatin, dan dua-duanya cuma butuh satu scatter plot buat dicek. Konsep nilai ekstrem ada di glosarium outlier.

Gimana langkah uji korelasi Pearson di SPSS?

1. Di Variable View, bikin dua variabel bertipe Numeric dengan Measure diisi Scale.
2. Isi datanya di Data View. Satu baris satu pasangan pengamatan.
3. Bikin scatter plot dulu: Graphs > Chart Builder > Scatter/Dot. Lihat bentuk sebarannya.
4. Klik Analyze > Correlate > Bivariate.
5. Pindahin dua variabelmu ke kotak Variables.
6. Centang Pearson, pilih Two-tailed, centang Flag significant correlations.
7. Klik Options, centang Means and standard deviations biar statistik dasarnya ikut keluar.
8. Klik OK.

Langkah 3 sering diskip padahal paling murah. Scatter plot ngasih tau kamu soal bentuk hubungan dan outlier sekaligus, sebelum satu angka pun dihitung.

Referensi menu resminya ada di dokumentasi IBM SPSS Statistics.

Gimana cara baca output korelasi SPSS?

Output-nya berbentuk matriks. Tiap sel punya tiga baris: Pearson Correlation berisi nilai r, Sig. (2-tailed) berisi p-value, dan N berisi jumlah data. Diagonal utamanya selalu bernilai 1, karena itu korelasi variabel sama dirinya sendiri, jadi abaikan aja.

	biaya_promosi	omzet
biaya_promosi   Pearson Correlation	1	0,694*
Sig. (2-tailed)		0,026
N	10	10
omzet   Pearson Correlation	0,694*	1
Sig. (2-tailed)	0,026
N	10	10

Tiga hal yang kamu baca:

• Nilai r = 0,694. Positif, jadi dua variabel bergerak searah.
• Sig. = 0,026. Di bawah 0,05, jadi hubungannya signifikan.
• Satu bintang berarti signifikan pada taraf 0,05. Dua bintang berarti pada taraf 0,01.

Tanda bintang cuma ngomongin keyakinan, bukan kekuatan. Di sampel 5.000 orang, nilai r sekecil 0,04 pun bisa dapet dua bintang. Selalu laporin angka r-nya, jangan cuma bintangnya.

Batas nilai r: kapan disebut kuat?

Nggak ada batas resmi yang berlaku universal. Pedoman yang paling sering dipakai di skripsi Indonesia ngikutin pembagian lima tingkat berikut, dan kamu wajib nyebut pedoman mana yang kamu pakai di bab metode.

Nilai r (tanpa tanda)	Tingkat hubungan	r kuadrat
0,000 sampai 0,199	Sangat rendah	di bawah 4%
0,200 sampai 0,399	Rendah	4% sampai 16%
0,400 sampai 0,599	Sedang	16% sampai 36%
0,600 sampai 0,799	Kuat	36% sampai 64%
0,800 sampai 1,000	Sangat kuat	64% sampai 100%

Kolom terakhir yang paling jarang dilaporin padahal paling informatif. r kuadrat, atau koefisien determinasi, ngasih tau berapa persen naik turun satu variabel bisa dijelasin variabel lainnya.

Kelihatan jelas di angka: r = 0,60 kedengeran kuat, tapi r kuadratnya cuma 0,36. Enam puluh empat persen sisanya dari faktor lain yang nggak masuk hitungan.

Contoh kasus: biaya promosi dan omzet toko_berkah

Aku pakai dataset toko_berkah, toko grosir di Bekasi. Data 10 bulan, angka dalam juta rupiah.

Bulan	Biaya promosi (x)	Omzet (y)
1	5	68
2	7	61
3	6	74
4	9	72
5	8	85
6	11	79
7	10	95
8	13	82
9	12	92
10	14	91

rata-rata x = 95 / 10  = 9,5
rata-rata y = 799 / 10 = 79,9

jumlah (dx x dy) = 211,50
jumlah dx^2      =  82,50
jumlah dy^2      = 1.124,90

r = 211,50 / akar(82,50 x 1.124,90)
  = 211,50 / akar(92.804,25)
  = 211,50 / 304,64
  = 0,694

Cek signifikansinya lewat t:

t  = r x akar(n-2) / akar(1 - r^2)
   = 0,694 x akar(8) / akar(1 - 0,4816)
   = 1,963 / 0,720
   = 2,726
df = 8

t tabel dua sisi 5% pada df 8 adalah 2,306. Nilai hitung 2,726 lebih besar, jadi hubungannya signifikan dengan p sekitar 0,026.

Cara pintasnya, bandingin langsung r hitung sama r tabel. Buat N = 10, r tabelnya 0,632. Nilai 0,694 lewat ambang itu. Daftar lengkapnya ada di halaman tabel uji statistik.

Bagian yang jarang ditulis di skripsi

r kuadrat = 0,694^2 = 0,4816

Biaya promosi cuma jelasin 48,2 persen naik turun omzet. Sisanya 51,8 persen dari hal lain: musim, harga pesaing, ketersediaan stok, cuaca, hari gajian.

Lihat baris bulan ke-8. Biaya promosi Rp 13 juta, tapi omzetnya cuma Rp 82 juta, di bawah bulan ke-7 yang promosinya lebih kecil. Satu bulan itu doang udah cukup buat ngingetin kamu bahwa hubungan yang kuat bukan berarti bisa ditebak per bulan.

Buat toko, kesimpulan yang jujur bunyinya: nambah biaya promosi memang seiring sama naiknya omzet, tapi keputusan nambah anggaran nggak bisa cuma bersandar ke angka ini. Buat ngukur seberapa besar tambahan omzet per rupiah promosi, kamu butuh regresi, bukan korelasi.

Kesalahan umum uji korelasi Pearson

1. Nyimpulin sebab akibat. Korelasi cuma bilang dua variabel bergerak bareng. Bisa jadi ada faktor ketiga yang ngangkat dua-duanya, misalnya bulan Ramadan yang naikin promosi dan omzet berbarengan.

2. Berhenti di tanda bintang. Bintang ngomongin keyakinan, r ngomongin kekuatan. Dua hal yang beda.

3. Nggak bikin scatter plot. Pola melengkung bisa ngasih r mendekati nol. Tanpa grafik, kamu bakal nulis nggak ada hubungan padahal hubungannya jelas.

4. Pakai Pearson buat data ordinal. Skor tiap item Likert itu peringkat, bukan jarak yang sama. Buat item tunggal, Spearman lebih tepat. Buat skor total dari banyak item, Pearson masih bisa diterima.

5. Ngitung korelasi dari data yang udah diringkas. Korelasi antar rata-rata bulanan hampir selalu kelihatan lebih kuat dari korelasi antar transaksi. Sebut level datamu di bab metode.

6. Nggak ngelaporin r kuadrat. Angka 0,694 kedengeran meyakinkan. Angka 48,2 persen lebih jujur.

FAQ

Bedanya korelasi Pearson dan Spearman apa?

Pearson ngukur hubungan lurus antara dua variabel berskala interval atau rasio dan butuh sebaran yang mendekati normal. Spearman kerja di peringkat, jadi dia cocok buat data ordinal seperti skala Likert, atau buat data yang sebarannya miring dan punya nilai ekstrem. Kalau hubungan datamu naik terus tapi nggak lurus, Spearman biasanya ngasih angka yang lebih jujur dari Pearson.

Nilai r 0,694 itu kuat atau sedang?

Tergantung pedoman yang kamu pakai, dan itu wajib kamu sebut di skripsi. Salah satu pedoman yang umum dipakai di Indonesia nempatin 0,60 sampai 0,799 sebagai hubungan kuat. Pedoman lain nyebut rentang itu sedang menuju kuat. Yang lebih aman, sebutin juga koefisien determinasinya. Nilai r 0,694 berarti sekitar 48 persen naik turun satu variabel bisa dijelasin variabel lainnya.

Apa arti tanda bintang di output korelasi SPSS?

Satu bintang berarti korelasinya signifikan pada taraf 0,05, dua bintang berarti signifikan pada taraf 0,01. Tanda itu cuma soal seberapa yakin kamu bahwa hubungannya bukan kebetulan, bukan soal seberapa kuat hubungannya. Di sampel besar, nilai r sekecil 0,08 pun bisa dapet dua bintang. Selalu baca nilai r-nya, jangan berhenti di bintangnya.

Korelasi tinggi berarti satu variabel nyebabin yang lain?

Nggak. Korelasi cuma nunjukin dua variabel bergerak bareng. Bisa jadi ada faktor ketiga yang ngaruhin dua-duanya sekaligus, misalnya musim yang naikin biaya promosi dan omzet berbarengan. Bisa juga arahnya kebalik dari dugaanmu. Buat ngomong soal sebab akibat, kamu butuh rancangan eksperimen atau setidaknya kontrol variabel lain lewat regresi berganda.

Kenapa r aku kecil padahal grafiknya jelas berpola?

Kemungkinan besar polanya nggak lurus. Pearson cuma peka sama hubungan garis lurus, jadi pola melengkung seperti naik lalu turun bisa ngasih r mendekati nol walaupun hubungannya jelas banget di grafik. Selalu bikin scatter plot sebelum ngambil kesimpulan. Kalau polanya melengkung, pertimbangin transformasi data atau pakai model yang memang cocok buat bentuk itu.

Penutup

Tiga hal yang bikin bab korelasimu aman:

• Bikin scatter plot sebelum ngitung. Sepuluh detik, nyelametin satu bab.
• Laporin r, Sig., N, dan r kuadrat sekaligus. Empat angka, bukan satu.
• Tulis kesimpulan sebagai hubungan, bukan sebab akibat. Kata yang aman: seiring, berkaitan, bergerak searah.

Ambil dua kolom angka dari datamu sendiri, hitung rata-ratanya pakai fungsi AVG, lalu jalanin Bivariate di SPSS. Lima menit, dan kamu punya bahan buat satu subbab.

Kalau kamu belum yakin nyusun hipotesis nol dan alternatifnya, mulai dari panduan uji hipotesis dulu.