Korelasi Rank Spearman dengan SPSS

Banyak yang masih bingung apa yang disebut dengan korelasi rank spearman atau pearson dan apa bedanya dengan regresi. baik korelasi maupun regresi sama-sama populer untuk pengguna software SPSS. Dalam statistik, ketergantungan (dependence) merujuk kepada hubungan antara dua variabel random atau dua set data. Analisis korelasi merujuk kepada kelompok hubungan yang luas yang melibatkan ketergantungan (dependence). Contoh yang paling umum untuk analisis korelasi ini adalah hubungan antara tinggi badan orang tua dengan tinggi badan keturunannya, atau contoh lainnya adalah hubungan antara permintaan produk dan harga. Sementara pada analisis regresi, variabel yang kita teliti harus bersifat kausalitas atau sebab akibat. Sebagai contoh pengaruh motivasi terhadap kinerja karyawan.

Dalam konteks korelasi sendiri, Ada analisis Korelasi Rank Spearman dan Korealsi Pearson. Perbedaan keduanya terletak pada skala variabel yang digunakan. Sebagai contoh korelasi antara penggunaan listrik dengan rata-rata cuaca pada masing-masing wilayah. Hasil penghitungan korelasi dengan SPSS menunjukkan bahwa terdapat korelasi antara penggunaan daya listrik yang bertambah pada daerah-daerah dengan rata-rata cuaca harian yang ekstrim. Daerah-daerah dengan cuaca yang ekstrim akan menggunakan daya listrik yang lebih banyak dibandingkan daerah dengan cuaca menengah. Hal tersebut terjadi karena penduduk wilayah tersebut perlu menghangatkan atau mendinginkan suhu udara melalui AC atau pemanas pada daerah dingin. Daya listrik digunakan untuk menghidupkan alat pengkondisi udara. Untuk mengukur hubungan antara kedua variabel di atas, Korelasi Rank Spearman cocok digunakan. Mengapa? Karena kedua skala ukur kedua variabel di atas bersifat numerik. Daya listrik diukur dengan Watt yang mana adalah numerik, begitu pun suhu udara yang dapat diukur dengan derajat celcius (C).

Tabel 1 Rata-rata penggunaan daya dan suhu harian

 Daerah/WilayahRata-rata penggunaan daya listrik per rumah tangga perbulanRata-rata suhu harian
Daerah 1 835 21
Daerah 2 434 25
Daerah 3 654 24
Daerah 4 986 28
Daerah 5 1232 29
Daerah 6 434 23
Daerah 7 543 24
Daerah 8 523 22.5
Daerah 9 654 27
Daerah 10 456 24

sumber: data ilustrasi

Setelah data di atas terkumpul, maka dihitung koefisien korelasinya denan menggunakan software SPSS. Prosedurnya sederhanya. Kita tinggal melakukan input data di atas ke dalam SPSS kemudian ikuti perintah menu sebagai berikut:

Analyze –> Correlate –> bivariate

 

Masukan kedua variabel ke dalam kolom sebelahnya, setelah itu pilih metode Rank Spearman atau Pearson (Product moment) yang akan digunakan. Selanjutnya klik OK.

 

Perbedaan mendasar kedua metode korelasi ini terletak pada skala ukur data dan jumlah data. Metode Korelasi Rank Spearman diperuntukkan untuk data yang bersifat kategorik sedangkan korelasi Pearson cocok untuk variabel dengan skala ukur numerik dan jumlah banyak (lebih dari 30). Secara singkat Korelasi rank Spearman diperuntukkan untuk parametrik dan korelasi pearson diperuntukkan untuk statistik non parametrik.

Pada contoh kasus di atas, variabel daya listrik dan suhu udara memiliki skala numerik, namun jumlah data kurang dari 30 data. Lalu, metode korelasi mana yang cocok digunakan? Korelasi rank spearman cocok digunakan dibandingkan korelasi pearson karena variabel yang diukur bersifat nonparametrik.

Baik pada analisis korelasi Rank spearman maupun korelasi Pearson, koefisien korelasi atau besarnya hubungan antara variabel disimbolkan dengan r atau rho. Koefisien korelasi ini besarnya berkisar antara -1 sampai dengan +1. Koefisien korelasi yang semakin mendekati nol semakin menunjukkan semakin rendahnya hubungan antara kedua variabel. Sedangkan semakin mendekati 1 semakin kuatnya hubungan tersebut. Tanda – (negatif) menunjukkan hubungan yang berkebalikan. Melalui Software SPSS, kita dapat dengan mudah menghitung koefisien korelasi  dalam hitungan detik.

Hidayat Huang

Hidayat Huang

Konsultan at PT Globalstat Solusi Utama
Pengajar Metodologi Riset di salah satu perguruan tinggi di Jakarta
Hidayat Huang

Latest posts by Hidayat Huang (see all)