Perbedaan Korelasi Pearson dan Spearman

Pengantar

Dalam penelitian kuantitatif, analisis korelasi merupakan salah satu teknik statistik yang paling sering digunakan untuk mengetahui hubungan antara dua variabel. Misalnya, peneliti ingin mengetahui hubungan antara jam belajar dengan nilai ujian, tingkat kepuasan pelanggan dengan loyalitas pelanggan, atau tingkat stres dengan kualitas tidur.

Namun, banyak peneliti pemula merasa bingung ketika harus memilih antara Korelasi Pearson dan Korelasi Spearman. Keduanya sama-sama digunakan untuk mengukur hubungan antarvariabel, tetapi memiliki asumsi, karakteristik, dan kondisi penggunaan yang berbeda.

Pemilihan metode yang kurang tepat dapat menghasilkan kesimpulan yang bias atau bahkan menyesatkan. Oleh karena itu, memahami perbedaan antara Pearson dan Spearman merupakan langkah penting sebelum melakukan analisis data.

Artikel ini membahas secara lengkap pengertian kedua metode, perbedaannya, asumsi yang harus dipenuhi, cara memilih metode yang sesuai, serta contoh penerapannya dalam berbagai bidang penelitian.

---

Apa Itu Analisis Korelasi?

Pengertian Korelasi

Korelasi adalah teknik statistik yang digunakan untuk mengukur arah dan kekuatan hubungan antara dua variabel.

Nilai koefisien korelasi berada pada rentang -1 hingga +1.

• +1 menunjukkan hubungan positif sempurna.
• 0 menunjukkan tidak ada hubungan linear.
• -1 menunjukkan hubungan negatif sempurna.

Perlu dipahami bahwa korelasi tidak membuktikan hubungan sebab-akibat (kausalitas). Korelasi hanya menunjukkan bahwa perubahan pada satu variabel berkaitan dengan perubahan pada variabel lain.

Mengapa Ada Lebih dari Satu Jenis Korelasi?

Tidak semua data memiliki karakteristik yang sama. Ada data yang berdistribusi normal, ada pula yang tidak. Ada data yang berupa angka kontinu, ada pula yang hanya berupa peringkat atau kategori berurutan.

Karena itulah dikembangkan beberapa jenis koefisien korelasi, termasuk Pearson dan Spearman, agar analisis tetap sesuai dengan sifat data yang digunakan.

---

Mengenal Korelasi Pearson

Pengertian Korelasi Pearson

Korelasi Pearson (Pearson Product-Moment Correlation) adalah metode statistik parametrik yang digunakan untuk mengukur hubungan linear antara dua variabel numerik.

Nilai korelasi Pearson dilambangkan dengan r.

Metode ini menggunakan nilai asli dari data, sehingga hasilnya sangat dipengaruhi oleh distribusi data dan keberadaan outlier.

Karakteristik Pearson

Korelasi Pearson memiliki karakteristik sebagai berikut:

• menggunakan data interval atau rasio;
• mengukur hubungan linear;
• menggunakan nilai asli data;
• menghasilkan koefisien korelasi antara -1 hingga +1.

Asumsi Pearson

Sebelum menggunakan Pearson, beberapa asumsi perlu dipenuhi.

Data Berskala Interval atau Rasio

Pearson digunakan untuk data numerik yang memiliki jarak pengukuran yang bermakna.

Distribusi Normal

Data sebaiknya berdistribusi normal, terutama jika akan dilakukan pengujian signifikansi.

Hubungan Linear

Hubungan antara kedua variabel harus membentuk pola garis lurus (linear).

Tidak Ada Outlier Ekstrem

Outlier dapat memengaruhi nilai koefisien Pearson secara signifikan.

Kapan Pearson Digunakan?

Pearson tepat digunakan ketika:

• data berskala interval atau rasio;
• hubungan antarvariabel linear;
• asumsi normalitas terpenuhi;
• tidak terdapat outlier yang mengganggu.

---

Mengenal Korelasi Spearman

Pengertian Korelasi Spearman

Korelasi Spearman (Spearman Rank Correlation) adalah metode statistik nonparametrik yang digunakan untuk mengukur hubungan monoton antara dua variabel berdasarkan peringkat (ranking) data.

Koefisien Spearman biasanya dilambangkan dengan ρ (rho) atau rₛ.

Metode ini tidak menggunakan nilai asli data, melainkan urutan atau peringkatnya.

Karakteristik Spearman

Karakteristik utama Spearman meliputi:

• menggunakan ranking data;
• tidak memerlukan asumsi normalitas;
• cocok untuk data ordinal;
• lebih tahan terhadap pengaruh outlier.

Asumsi Spearman

Data Berskala Ordinal

Spearman sangat sesuai untuk data yang dinyatakan dalam bentuk urutan atau peringkat.

Tidak Harus Berdistribusi Normal

Spearman tetap dapat digunakan meskipun data tidak memenuhi asumsi normalitas.

Hubungan Monoton

Hubungan tidak harus linear, tetapi harus menunjukkan kecenderungan yang konsisten meningkat atau menurun.

Kapan Spearman Digunakan?

Spearman tepat digunakan ketika:

• data berupa ordinal;
• data numerik tidak berdistribusi normal;
• terdapat outlier yang dapat memengaruhi hasil Pearson;
• hubungan bersifat monoton tetapi tidak linear.

---

Perbedaan Pearson dan Spearman

Berikut beberapa perbedaan utama antara kedua metode.

1. Jenis Data

Pearson menggunakan data interval atau rasio, sedangkan Spearman dapat digunakan pada data ordinal maupun data numerik yang diubah menjadi peringkat.

2. Asumsi Normalitas

Pearson memerlukan asumsi normalitas, sedangkan Spearman tidak.

3. Hubungan yang Diukur

Pearson mengukur hubungan linear, sedangkan Spearman mengukur hubungan monoton.

4. Penggunaan Ranking

Pearson menggunakan nilai asli data, sedangkan Spearman menggunakan urutan atau ranking.

5. Sensitivitas terhadap Outlier

Pearson lebih sensitif terhadap outlier, sedangkan Spearman relatif lebih tahan karena menggunakan peringkat.

6. Interpretasi Hasil

Kedua metode menghasilkan koefisien pada rentang -1 hingga +1, tetapi makna hubungan yang diukur berbeda sesuai dengan karakteristik masing-masing metode.

---

Tabel Perbandingan Pearson dan Spearman

---

Rumus Dasar

Rumus Korelasi Pearson:

r=∑(X−Xˉ)(Y−Yˉ)∑(X−Xˉ)2∑(Y−Yˉ)2r=\frac{\sum (X-\bar{X})(Y-\bar{Y})} {\sqrt{\sum (X-\bar{X})^2\sum(Y-\bar{Y})^2}}r=∑(X−Xˉ)2∑(Y−Yˉ)2​∑(X−Xˉ)(Y−Yˉ)​

Rumus Korelasi Spearman:

rs=1−6∑d2n(n2−1)r_s=1-\frac{6\sum d^2}{n(n^2-1)}rs​=1−n(n2−1)6∑d2​

Keterangan:

• $r$ = koefisien Pearson;
• rsr_srs​ = koefisien Spearman;
• $d$ = selisih ranking setiap pasangan data;
• $n$ = jumlah pasangan observasi.

---

Cara Memilih Pearson atau Spearman

Sebelum menentukan metode analisis, lakukan langkah berikut:

1. Periksa Skala Data

Jika data berupa ordinal, Spearman biasanya lebih tepat.

2. Lakukan Uji Normalitas

Apabila data numerik tidak berdistribusi normal, pertimbangkan Spearman.

3. Lihat Scatter Plot

Jika pola hubungan membentuk garis lurus, Pearson dapat digunakan. Jika pola meningkat atau menurun tetapi tidak linear, Spearman sering lebih sesuai.

4. Tentukan Jenis Hubungan

Pastikan apakah hubungan yang ingin dianalisis bersifat linear atau hanya monoton.

---

Contoh Analisis

Studi Kasus Pearson

Seorang peneliti ingin mengetahui hubungan antara jumlah jam belajar dan nilai ujian mahasiswa.

Karena data berdistribusi normal dan hubungan terlihat linear, digunakan Korelasi Pearson.

Hasil:

• r = 0,82
• p < 0,001

Interpretasi:

Hubungan positif sangat kuat dan signifikan.

---

Studi Kasus Spearman

Peneliti lain ingin mengetahui hubungan antara tingkat kepuasan pelanggan (skala Likert) dan loyalitas pelanggan.

Karena data berskala ordinal, digunakan Korelasi Spearman.

Hasil:

• rₛ = 0,76
• p < 0,001

Interpretasi:

Hubungan positif yang kuat dan signifikan berdasarkan urutan atau peringkat data.

---

Interpretasi Nilai Korelasi

Secara umum, interpretasi kekuatan hubungan dapat menggunakan panduan berikut.

Interpretasi harus mempertimbangkan:

• arah hubungan (positif atau negatif);
• besar koefisien;
• nilai p;
• konteks penelitian.

---

Kelebihan dan Kekurangan

Korelasi Pearson

Kelebihan

• Sangat efisien jika asumsi parametrik terpenuhi.
• Menggunakan seluruh informasi dari nilai asli data.
• Banyak digunakan dalam penelitian ilmiah.

Kekurangan

• Memerlukan asumsi normalitas.
• Hanya mengukur hubungan linear.
• Sangat sensitif terhadap outlier.

---

Korelasi Spearman

Kelebihan

• Tidak memerlukan distribusi normal.
• Cocok untuk data ordinal.
• Lebih tahan terhadap outlier.
• Dapat mendeteksi hubungan monoton yang tidak linear.

Kekurangan

• Menggunakan ranking sehingga sebagian informasi numerik hilang.
• Pada kondisi ideal (data normal dan linear), efisiensinya dapat sedikit lebih rendah dibanding Pearson.

---

Kesalahan Umum

Beberapa kesalahan yang sering dilakukan peneliti meliputi:

• menggunakan Pearson pada data ordinal;
• mengabaikan uji normalitas sebelum memilih Pearson;
• menganggap Spearman selalu lebih baik daripada Pearson;
• tidak memeriksa pola hubungan melalui scatter plot;
• menyimpulkan hubungan sebab-akibat hanya berdasarkan hasil korelasi.

---

Contoh Penerapan

Bidang Pendidikan

Hubungan antara jam belajar dan nilai ujian menggunakan Pearson, atau hubungan antara peringkat motivasi belajar dan prestasi menggunakan Spearman.

Bidang Kesehatan

Hubungan antara tekanan darah dan usia menggunakan Pearson jika asumsi terpenuhi, atau hubungan antara tingkat nyeri (skala ordinal) dan kualitas hidup menggunakan Spearman.

Bidang Bisnis

Hubungan antara pengeluaran iklan dan penjualan menggunakan Pearson, atau hubungan antara peringkat kepuasan pelanggan dan loyalitas menggunakan Spearman.

Bidang Psikologi

Hubungan antara skor tes psikologi yang berskala ordinal dan tingkat kecemasan lebih sesuai dianalisis menggunakan Spearman.

---

Tips Memilih Jenis Korelasi

Agar hasil analisis lebih akurat:

• Sesuaikan metode dengan skala data.
• Lakukan uji normalitas jika akan menggunakan Pearson.
• Gunakan scatter plot untuk memeriksa pola hubungan.
• Perhatikan keberadaan outlier.
• Laporkan koefisien korelasi, nilai p, jumlah sampel, dan interpretasi hasil secara lengkap.

---

Kesimpulan

Korelasi Pearson dan Spearman memiliki tujuan yang sama, yaitu mengukur hubungan antara dua variabel. Namun, keduanya berbeda dalam asumsi, jenis data yang digunakan, dan bentuk hubungan yang diukur.

Pearson merupakan pilihan terbaik untuk data numerik yang berdistribusi normal dan memiliki hubungan linear. Sebaliknya, Spearman lebih sesuai untuk data ordinal, data yang tidak memenuhi asumsi normalitas, atau hubungan yang bersifat monoton.

Memilih metode korelasi yang tepat akan menghasilkan analisis yang lebih akurat, valid, dan dapat dipertanggungjawabkan secara ilmiah.