Program Studi Manajemen • FEB • Statistika Bisnis II

Statistika Bisnis II

Pertemuan 8 — Analisis Korelasi

Mengukur seberapa kuat dan ke arah mana dua variabel bergerak bersama — dari scatter plot hingga uji signifikansi koefisien korelasi.

RPS MINGGU 9 • SUB-CPMK 5 • DURASI 2 × 50 MENIT

Selamat datang di Pertemuan 8, di mana Anda akan mempelajari salah satu alat analisis yang paling sering digunakan di riset bisnis dan keuangan: korelasi. Pertanyaan yang mendorong topik ini sangat praktis — apakah belanja iklan yang lebih besar menghasilkan penjualan yang lebih tinggi, atau apakah kepuasan karyawan berhubungan dengan loyalitas mereka? Korelasi (ukuran derajat dan arah hubungan linear antara dua variabel) memberi kita satu angka ringkasan — disebut koefisien (angka tunggal yang merangkum suatu hubungan statistik) — yang menjawab pertanyaan-pertanyaan tersebut secara kuantitatif. Di Pertemuan 8 ini kita akan belajar tiga metode utama: Pearson untuk data numerik, Spearman dan Kendall untuk data ordinal atau non-normal, serta cara menguji apakah korelasi yang ditemukan memang nyata secara statistik. Namun satu hal yang sama pentingnya adalah apa yang korelasi tidak bisa lakukan, yaitu membuktikan sebab-akibat, karena kesalahan memahami batasan inilah yang paling sering muncul dalam presentasi data di dunia nyata.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menganalisis hubungan dua variabel (Sub-CPMK 5). Secara rinci:

CAPAIAN 1 — PEARSON

Menghitung koefisien r, r², dan melakukan uji signifikansi-t untuk korelasi Pearson dari data mentah.

CAPAIAN 2 — SIGNIFIKANSI

Menentukan p-value dan mengambil keputusan tolak/gagal tolak H₀ pada α = 0,05 menggunakan df (derajat kebebasan) = n − 2.

CAPAIAN 3 — RANK CORRELATION

Menghitung Spearman ρ dan Kendall τ untuk data ordinal atau non-normal; memilih metode yang tepat sesuai skala data.

CAPAIAN 4 — INTERPRETASI

Membedakan korelasi vs kausalitas; membaca matriks korelasi dan menerapkan korelasi parsial.

Ada empat capaian yang ingin kita raih hari ini. Capaian pertama dan kedua adalah inti teknis: menghitung koefisien Pearson dan menguji apakah korelasi yang kita temukan benar-benar signifikan atau sekadar kebetulan akibat sampel kecil. Capaian ketiga membawa Anda ke situasi di mana data tidak memenuhi syarat Pearson — misalnya data ordinal seperti peringkat kepuasan karyawan — dan di situ kita butuh alat yang berbeda, yaitu Spearman dan Kendall. Capaian keempat, yang sering diabaikan tetapi sangat penting, adalah memahami batas interpretasi korelasi, terutama membedakannya dari kausalitas. Catatan: α (alpha) adalah tingkat signifikansi, yaitu ambang probabilitas untuk menolak H₀; kita gunakan α = 0,05 atau 5% sebagai standar internasional. Keempat capaian ini bersama-sama membuat Anda mampu membaca dan menghasilkan analisis korelasi yang bertanggung jawab, sesuai standar riset manajemen.

Iklan Mahal = Penjualan Naik? Bagaimana Membuktikannya?

PT Unilever Indonesia Tbk (UNVR, tercatat di BEI — Bursa Efek Indonesia) menghabiskan ratusan miliar rupiah per kuartal untuk iklan. Apakah belanja iklan yang lebih besar benar-benar berkorelasi dengan penjualan yang lebih tinggi?

PERTANYAAN BISNIS

Manajer pemasaran ingin tahu: setiap kenaikan Rp 1 miliar belanja iklan, penjualan naik berapa? Tanpa alat statistik, jawabannya hanya tebakan atau intuisi.

ALAT YANG KITA PELAJARI

Scatter plot → koefisien r → uji signifikansi → keputusan data-driven (berbasis data, bukan opini). Angka yang bisa dipertanggungjawabkan di hadapan direksi.

Di akhir pertemuan ini, Anda akan bisa menjawab pertanyaan tersebut dengan data 20 kuartal laporan keuangan UNVR yang tercatat di BEI — dikerjakan tuntas dalam sesi Hitung dari Nol (HDN).

Bayangkan Anda menjadi analis di perusahaan consumer goods besar seperti Unilever Indonesia, dan direktur meminta Anda membuktikan apakah anggaran iklan yang terus naik memang mendatangkan hasil penjualan yang sebanding. Tanpa statistik, jawaban Anda hanya berdasarkan perasaan atau cerita dari tim pemasaran. Dengan analisis korelasi yang kita pelajari hari ini, Anda bisa mengambil data laporan tahunan dari situs BEI, menghitung koefisien korelasi, dan mengatakan secara kuantitatif: "Hubungannya kuat, searah, dan secara statistik signifikan pada α = 5%." Itulah nilai tambah seorang sarjana manajemen FEB dibandingkan yang tidak belajar statistik — kemampuan mengganti opini dengan bukti. Contoh UNVR ini akan kita kerjakan tuntas dalam sesi HDN nanti, lengkap dengan 20 baris data kuartal yang akan kita hitung satu per satu.

Bagian 1 dari 4

Hubungan Dua Variabel & Scatter Plot

Sebelum menghitung koefisien, visualisasikan dulu — scatter plot adalah langkah pertama yang wajib dilakukan.

Pilih Metode Korelasi Berdasarkan Data

Tiga metode utama, dipilih berdasarkan skala data dan normalitas distribusi:

Kondisi Data	Metode	Simbol
Interval/Rasio + distribusi normal (atau n besar)	Pearson	r
Ordinal, atau interval/rasio dengan distribusi sangat tidak normal	Spearman	ρ (rho)
Ordinal, sampel kecil, atau data banyak ties (nilai kembar)	Kendall	τ (tau)

Glos: Skala interval = jarak antar nilai bermakna tapi tidak punya nol mutlak (mis. suhu Celsius). Skala rasio = interval + nol mutlak (mis. penjualan Rp). Skala ordinal = berperingkat, jarak tidak bermakna (mis. kepuasan 1–5). Lakukan uji normalitas (Shapiro-Wilk atau Kolmogorov-Smirnov) sebelum memilih. Jika ragu → Spearman lebih aman daripada memaksakan Pearson.

Kesalahan yang paling umum dalam analisis korelasi adalah memilih metode tanpa memeriksa jenis datanya terlebih dahulu. Korelasi Pearson adalah metode paling populer, tetapi hanya valid jika kedua variabel berskala interval atau rasio dan distribusinya tidak terlalu menyimpang dari normal. Kalau Anda punya data peringkat kepuasan karyawan, misalnya skala satu sampai lima dari survei Likert, itu data ordinal dan Pearson tidak tepat — gunakan Spearman. Prinsipnya sederhana: jika syarat Pearson tidak terpenuhi, jangan dipaksakan; Spearman adalah pilihan aman yang hasilnya tetap bermakna. Dalam praktik riset manajemen di OJK (Otoritas Jasa Keuangan) atau survei karyawan BEI, data ordinal sangat umum ditemui, sehingga pemahaman tentang kapan menggunakan Spearman sangat penting untuk karier Anda sebagai analis.

Scatter Plot: Baca Pola Sebelum Hitung

Scatter plot (diagram pencar) menempatkan setiap pasangan (X, Y) sebagai titik. Polanya memberi petunjuk arah, kekuatan, dan bentuk hubungan.

Korelasi positif kuat (r ≈ +0,90)

Korelasi negatif sedang (r ≈ −0,55)

Tidak ada korelasi linear (r ≈ 0)

⚠ Hubungan nonlinear (r ≈ 0 tapi ada pola U)

Langkah pertama sebelum menghitung koefisien apa pun adalah membuat scatter plot — ini bukan sekadar formalitas, melainkan pemeriksaan kritis apakah data Anda cocok untuk analisis korelasi linear. Perhatikan keempat pola: pola pertama menunjukkan korelasi positif kuat, titik-titiknya hampir membentuk garis lurus dari kiri bawah ke kanan atas. Pola kedua menunjukkan korelasi negatif sedang, titik-titiknya miring turun tapi lebih tersebar. Pola ketiga tampak acak dan r mendekati nol. Namun pola keempat adalah peringatan terpenting: titik-titik membentuk huruf U dan r juga mendekati nol, padahal ada hubungan nonlinear yang sangat kuat. Jika Anda langsung menghitung r tanpa melihat scatter plot-nya, Anda akan salah menyimpulkan tidak ada hubungan sama sekali. Ingat: r = 0 bukan berarti bebas hubungan — plot dulu, baru hitung. Outlier (nilai ekstrem yang jauh menyimpang dari pola umum) juga bisa merusak hasil, dan hanya terlihat di scatter plot.

Bagian 2 dari 4

Korelasi Pearson

Rumus r, rentang interpretasi, koefisien determinasi r², dan uji signifikansi statistik-t dengan df = n − 2.

r = Σ[(Xᵢ−X̄)(Yᵢ−Ȳ)] / √[Σ(Xᵢ−X̄)² × Σ(Yᵢ−Ȳ)²]

Koefisien Korelasi Pearson (r)

r mengukur arah dan kekuatan hubungan linear antara dua variabel interval/rasio. Rentang: −1 ≤ r ≤ +1.

r = Σ[(Xᵢ−X̄)(Yᵢ−Ȳ)] / √[Σ(Xᵢ−X̄)² · Σ(Yᵢ−Ȳ)²]

Glos: Σ (sigma) = jumlahkan semua suku • X̄/Ȳ (X-bar/Y-bar) = rata-rata X/Y • Xᵢ−X̄ = deviasi (selisih dari rata-rata) • Pembilang = kovarians (apakah X dan Y bergerak bersama) • Penyebut = normalisasi ke skala −1..+1.

Nilai \|r\|	Interpretasi
0,90 – 1,00	Sangat kuat
0,70 – 0,89	Kuat
0,50 – 0,69	Sedang
0,30 – 0,49	Lemah
0,00 – 0,29	Sangat lemah / tidak ada

Tanda (+/−) = arah; besar angka = kekuatan. r = −0,85 lebih kuat dari r = +0,40.

Rumus Pearson tampak rumit, tetapi logikanya sederhana: pembilangnya adalah jumlahan dari perkalian deviasi X dan deviasi Y dari rata-rata masing-masing. Jika X besar ketika Y juga besar (keduanya di atas rata-rata bersamaan), perkalian itu positif dan r akan positif — itulah korelasi positif. Jika X besar ketika Y kecil, perkaliannya negatif dan r akan negatif. Penyebutnya hanya berfungsi menstandarkan angkanya agar selalu berada di antara −1 dan +1. Tabel interpretasi membantu Anda menyematkan label verbal — r di atas 0,70 sudah disebut kuat. Yang penting diingat: tanda menunjukkan arah, besar angkanya menunjukkan kekuatan. r = −0,85 jauh lebih kuat daripada r = +0,40, meskipun satu negatif dan satu positif. Dalam riset pemasaran untuk emiten BEI seperti BBCA atau TLKM, Anda akan sering menemukan r antara 0,50–0,80 yang sudah sangat bermakna secara bisnis.

Koefisien Determinasi r²

r² (r kuadrat) = proporsi variasi Y yang dapat dijelaskan oleh variasi X. Interpretasinya lebih intuitif daripada r sendiri.

r² = r × r (kuadratkan koefisien korelasi)

CONTOH A: r = 0,80

0,64

= r² = 64%

"64% variasi penjualan UNVR dijelaskan oleh variasi belanja iklan; 36% dijelaskan faktor lain (musim, daya beli, dsb)."

CONTOH B: r = 0,40

0,16

= r² = 16%

"Hanya 16% variasi Y yang dijelaskan X. Meski r = 0,40 terasa cukup baik, kontribusinya ternyata kecil."

r² selalu positif dan ≤ 1. r = 0,7 terasa "kuat", tetapi r² = 0,49 artinya lebih dari separuh variasi Y masih tidak terjelaskan oleh X.

r² adalah ukuran yang lebih mudah dikomunikasikan kepada audiens non-teknis dibanding r itu sendiri. Koefisien determinasi (r² — proporsi varians satu variabel yang dijelaskan oleh variabel lainnya) memberi persentase yang langsung dipahami. Jika r = 0,80, terlihat besar, tetapi artinya dalam konteks prediksi adalah r² = 0,64 — yaitu 64 persen variasi dalam Y dapat dijelaskan oleh variasi X. Masih ada 36 persen variasi yang tidak terjelaskan oleh faktor lain. Ini penting agar Anda tidak melebihkan klaim. Contoh kedua bahkan lebih dramatis: r = 0,40, yang mungkin Anda anggap cukup baik, ternyata hanya menjelaskan 16 persen variasi Y. Saat mempresentasikan hasil riset kepada investor atau manajemen, selalu sertakan r² bersama r agar pembaca memahami seberapa besar kontribusi nyata variabel independen Anda — ini adalah praktik standar dalam laporan analisis perusahaan sekuritas Indonesia.

Coba Sendiri: Geser Titik Data, Amati r Berubah

Ubah pola sebaran titik data pada scatter plot dan lihat bagaimana koefisien korelasi r dan r² berubah secara langsung.

Hitung dari Nol — HDN-1: Korelasi Iklan vs Penjualan UNVR

Data ilustratif 20 kuartal UNVR (Q1 2019–Q4 2023): Iklan X (Rp miliar) vs Penjualan Y (Rp miliar). Hitung r Pearson.

Data ringkas (2 dari 20 baris)

Kuartal	X (Iklan)	Y (Penjualan)	(X−X̄)(Y−Ȳ)	(X−X̄)²
Q1 2019	420	10.200	574.438	63.756
Q2 2019	510	10.850	264.063	26.406
…	…	…	…	…
Σ	13.450	249.500	3.327.750	329.575

Data lengkap 20 baris + verifikasi: Lampiran A materi.

Langkah perhitungan

Langkah	Perhitungan	Nilai
X̄	13.450 / 20	672,5
Ȳ	249.500 / 20	12.475
Σ(X−X̄)(Y−Ȳ)	—	3.327.750
√[Σ(X−X̄)² × Σ(Y−Ȳ)²]	√[329.575 × 33.752.500]	≈ 3.335.263
r	3.327.750 / 3.335.263	≈ 0,998
r²	0,998²	≈ 0,996

r ≈ 0,998: korelasi positif sangat kuat. r² ≈ 0,996 → 99,6% variasi penjualan dijelaskan belanja iklan. Catatan: angka ilustratif yang sengaja dibuat rapi; korelasi bisnis nyata jarang setinggi ini.

Sekarang kita kerjakan dari nol, langkah demi langkah. Pertama, hitung rata-rata: X̄ = 672,5 miliar dan Ȳ = 12.475 miliar. Kedua, untuk setiap kuartal, hitung deviasi masing-masing variabel dari rata-ratanya, kalikan keduanya, lalu jumlahkan semua — itulah pembilang kovarians sebesar 3.327.750. Ketiga, hitung akar dari perkalian jumlah kuadrat deviasi X dan Y — penyebutnya sekitar 3.335.263. Pembilang dibagi penyebut menghasilkan r ≈ 0,998. r² ≈ 0,996 artinya 99,6 persen variasi penjualan UNVR dapat dijelaskan oleh variasi belanja iklannya dalam data 20 kuartal ini. Perlu dicatat bahwa r = 0,998 sangat tinggi karena data ilustratif memang dirancang agar polanya rapi dan mudah diikuti; dalam data BBCA atau TLKM yang nyata di BEI, mendapatkan r di atas 0,90 pun sudah luar biasa. Yang penting adalah prosedur — prosedur yang sama berlaku untuk data nyata dengan r berapa pun.

Uji Signifikansi Korelasi: Apakah r Benar-Benar ≠ 0?

Korelasi sampel bisa muncul secara kebetulan. Uji-t menguji apakah korelasi populasi ρ (rho populasi) = 0.

Hipotesis

H₀: ρ = 0 — tidak ada korelasi di populasi
H₁: ρ ≠ 0 — ada korelasi di populasi → uji dua sisi (two-tailed)

t = r√(n−2) / √(1−r²)
df (derajat kebebasan) = n − 2

Aturan Keputusan

Kondisi	Keputusan
\|tₕ𝑖ₜ𝜢𝜫𝜬\| > tₜ𝑚𝑿𝒆𝒉(α/2, df)	Tolak H₀ — korelasi signifikan
\|tₕ𝑖ₜ𝜢𝜫𝜬\| ≤ tₜ𝑚𝑿𝒆𝒉	Gagal tolak H₀ — tidak signifikan

df = n − 2 karena dua parameter (rata-rata X dan rata-rata Y) diestimasi dari sampel, masing-masing "menghabiskan" satu derajat kebebasan.

Mendapatkan r yang besar dari sampel saja belum cukup untuk menyimpulkan ada korelasi di populasi. Bayangkan Anda hanya punya 5 data — korelasi sampelnya bisa besar secara kebetulan. Uji-t ini menguji apakah nilai r yang Anda dapatkan cukup jauh dari nol untuk mengatakan bahwa korelasi sebenarnya ada di populasi. H₀ (hipotesis nol) selalu menyatakan bahwa korelasi populasi ρ (rho populasi — koefisien korelasi di populasi yang diestimasi oleh r dari sampel) = 0, dan kita menolaknya jika t_hitung lebih besar dari t_tabel. Uji dua sisi (two-tailed test — uji yang mendeteksi penyimpangan ke dua arah, positif maupun negatif) digunakan karena kita tidak menentukan arah sebelumnya. Dalam praktik di survei OJK atau riset BEI, semakin besar sampel, semakin mudah korelasi yang relatif kecil pun menjadi signifikan secara statistik — itulah mengapa ukuran efek (r) dan uji signifikansi harus selalu dilaporkan bersama.

HDN-1 Lanjutan: Uji Signifikansi untuk r UNVR

Dari HDN-1: r ≈ 0,998, n = 20, α = 0,05. Apakah korelasi ini signifikan?

Langkah	Perhitungan	Nilai
Hitung 1 − r²	1 − 0,996	0,004
Hitung √(1 − r²)	√0,004	0,0632
Hitung r√(n−2)	0,998 × √18 = 0,998 × 4,2426	4,2341
tₕ𝑖ₜ𝜢𝜫𝜬	4,2341 / 0,0632	≈ 63,0
df	n − 2 = 20 − 2	18
tₜ𝑚𝑿𝒆𝒉 (α/2 = 0,025, df = 18)	dari tabel distribusi-t	≈ 2,101
Keputusan	\|63,0\| > 2,101	Tolak H₀

Tolak H₀. Korelasi antara belanja iklan dan penjualan UNVR signifikan secara statistik pada α = 5%. Kita cukup yakin korelasi positif ini bukan kebetulan sampel — ia mencerminkan hubungan nyata di populasi data kuartal UNVR.

Studi Kasus: IKK Bank Indonesia vs Pertumbuhan Penjualan Ritel

IKK (Indeks Keyakinan Konsumen — survei Bank Indonesia yang mengukur optimisme masyarakat terhadap kondisi ekonomi, basis = 100) vs pertumbuhan penjualan ritel.

DATA (ilustratif, 12 bulan)

IKK rata-rata = 115 (range 95–130)
Pertumbuhan ritel YoY (year-on-year = dibanding periode sama tahun lalu) rata-rata = 6,2% (range 2%–12%)

HASIL ANALISIS

r ≈ +0,72 (korelasi positif kuat)
r² ≈ 0,52 (52% variasi penjualan)
tₕ𝑖ₜ𝜢𝜫𝜬 ≈ 3,28 > tₜ𝑚𝑿𝒆𝒉 (df=10) = 2,228
→ Signifikan pada α = 5%

IKK dapat menjadi leading indicator (indikator terdepan — berubah sebelum tren ekonomi berubah) bagi perencana penjualan. Namun ingat: korelasi bukan kausalitas — sentimen tinggi mungkin muncul karena kondisi ekonomi baik, bukan penyebab penjualan naik. r² = 52% mengingatkan bahwa hampir separuh variasi penjualan masih dijelaskan faktor lain: daya beli, harga, musim, diskon.

Bank Indonesia secara rutin menerbitkan Indeks Keyakinan Konsumen, yang mengukur seberapa optimis masyarakat tentang kondisi ekonomi dan rencana belanja mereka. Ini adalah contoh variabel yang sangat sering dianalisis korelasinya dengan aktivitas penjualan ritel di Indonesia. Hasil r = 0,72 menunjukkan hubungan yang cukup kuat dan signifikan — ketika masyarakat lebih optimis, penjualan ritel memang cenderung tumbuh lebih cepat. Namun r² = 52% mengingatkan kita bahwa hampir separuh variasi penjualan tidak dijelaskan oleh IKK saja: faktor lain seperti daya beli riil, harga bahan pokok, musim (lebaran, akhir tahun), dan diskon promo turut berperan. Studi kasus ini juga menjadi jembatan ke diskusi kausalitas di slide berikutnya: apakah keyakinan konsumen yang tinggi menyebabkan penjualan naik, atau justru kondisi ekonomi yang baik membuat keduanya naik secara bersamaan? Data dari bi.go.id dan BPS bisa Anda unduh gratis untuk mencoba sendiri.

Korelasi Parsial: Mengontrol Variabel Ketiga

Korelasi parsial mengukur hubungan X dan Y setelah mengeluarkan pengaruh variabel ketiga Z (dikontrol). Berguna mendeteksi korelasi palsu (spurious correlation).

r(XY.Z) = (r_XY − r_XZ · r_YZ) / √[(1 − r²_XZ)(1 − r²_YZ)]

Contoh: Belanja Iklan (X) & Penjualan (Y) — dikendalikan Musim (Z)

r_XY = 0,80 • r_XZ = 0,60 • r_YZ = 0,50
r(XY.Z) = (0,80 − 0,60 × 0,50) / √[(1−0,36)(1−0,25)]
= 0,50 / √(0,48) ≈ 0,72
Setelah musim dikontrol, korelasi turun dari 0,80 → 0,72.

Salah satu masalah klasik dalam analisis korelasi adalah variabel pengganggu atau confounding variable. Bayangkan Anda menemukan korelasi tinggi antara penjualan es krim dan kasus flu — keduanya naik di musim tertentu bukan karena satu menyebabkan yang lain, melainkan karena faktor ketiga (cuaca). Korelasi parsial adalah alat untuk "membersihkan" efek variabel ketiga ini. Spurious correlation (korelasi palsu — korelasi tinggi antara X dan Y yang sebenarnya karena keduanya dipengaruhi variabel Z) adalah jebakan umum dalam analisis bisnis. Dalam contoh UNVR, belanja iklan dan penjualan mungkin keduanya tinggi di kuartal yang sama menjelang Lebaran karena faktor musiman — korelasi parsial memungkinkan kita menguji hubungan iklan dan penjualan setelah efek musiman dikontrol. Rumusnya menggunakan tiga korelasi bivariate (bivariat — hubungan antara tepat dua variabel) yang sudah kita hitung, jadi tidak perlu kembali ke data mentah.

Matriks Korelasi: Banyak Variabel Sekaligus

Ketika ada lebih dari dua variabel, ringkas semua pasangan korelasi dalam matriks korelasi — tabel simetris yang menampilkan koefisien untuk semua pasangan sekaligus.

Contoh: 4 variabel keuangan BNI (ilustratif)

	Pendapatan	Biaya Promosi	Kepuasan Nasabah	Loyalitas
Pendapatan	1,00	0,82	0,67	0,71
Biaya Promosi	0,82	1,00	0,54	0,58
Kepuasan Nasabah	0,67	0,54	1,00	0,89
Loyalitas	0,71	0,58	0,89	1,00

Tiga aturan matriks korelasi: (1) Diagonal = 1,00 (setiap variabel sempurna berkorelasi dengan dirinya sendiri). (2) Matriks simetris — r_XY = r_YX. (3) Baca pasangan dengan nilai tertinggi: di sini Kepuasan Nasabah & Loyalitas = 0,89 (korelasi tertinggi — konsisten dengan teori pemasaran).

Dalam riset bisnis, jarang kita hanya punya dua variabel. Seorang analis di Bank BNI mungkin ingin melihat hubungan antara pendapatan, biaya promosi, kepuasan nasabah, dan loyalitas sekaligus. Matriks korelasi menampilkan koefisien untuk semua pasangan dalam satu tabel. Heatmap (peta warna — representasi visual di mana intensitas warna mencerminkan besaran nilai) adalah cara visualisasi yang umum dipakai untuk matriks besar. Ada tiga hal yang perlu Anda ketahui: pertama, diagonal selalu 1,00. Kedua, matriks simetris — r Kepuasan dengan Loyalitas sama dengan r Loyalitas dengan Kepuasan. Ketiga, Anda bisa langsung membaca pasangan mana yang paling kuat — di sini Kepuasan Nasabah dengan Loyalitas = 0,89, yang tertinggi, konsisten dengan teori pemasaran bahwa kepuasan adalah prediktor terkuat loyalitas pelanggan. Dalam laporan riset manajemen di jurnal Indonesia, matriks korelasi selalu disertakan sebagai tabel standar sebelum analisis regresi atau SEM.

Korelasi ≠ Kausalitas: Jangan Terjebak

Korelasi tinggi hanya berarti dua variabel bergerak bersama. Ia tidak membuktikan bahwa satu menyebabkan yang lain.

CONTOH KELIRU

"Penjualan payung & kasus flu berkorelasi tinggi → apakah payung menyebabkan flu?" — Tidak. Keduanya naik karena musim hujan (variabel ketiga — confounding variable).

CONTOH BISNIS

"Perusahaan dengan lebih banyak karyawan berbaju merah memiliki profitabilitas lebih tinggi" → korelasi ada, tetapi warna baju bukan penyebab; ukuran perusahaan adalah confounding variable.

Tiga Kondisi Kausalitas (Mill's Method)

Korelasi ada — perlu tapi tidak cukup
Urutan temporal — X mendahului Y secara waktu
Tidak ada confounding — tidak ada variabel lain yang menjelaskan hubungan

Untuk membuktikan kausalitas, butuh desain riset yang lebih kuat: eksperimen, DiD (Difference-in-Differences — metode ekonometrika membandingkan perubahan dua kelompok), atau IV/RDD — di luar lingkup korelasi bivariate.

Slide ini adalah yang paling penting hari ini dari perspektif berpikir kritis. Korelasi yang tinggi sangat menggoda untuk diinterpretasikan sebagai hubungan sebab-akibat (kausalitas — X secara langsung menyebabkan perubahan pada Y), tetapi itu adalah kesalahan logika yang paling umum dalam analisis data. Contoh payung dan flu terdengar lucu karena Anda tahu jawaban benarnya, tetapi kesalahan yang sama sangat mudah terjadi dalam konteks bisnis yang lebih kompleks. Misalnya, seseorang mungkin menemukan bahwa perusahaan yang banyak beriklan di televisi memiliki penjualan lebih tinggi, lalu menyimpulkan iklan TV menyebabkan penjualan naik — padahal bisa saja perusahaan yang sudah profitable memang punya anggaran lebih untuk iklan. Untuk membuktikan kausalitas secara rigorous, kita butuh desain riset yang jauh lebih ketat. Korelasi adalah langkah awal yang sangat berharga, tetapi bukan akhir dari analisis kausal yang bertanggung jawab.

Bagian 3 dari 4

Korelasi Rank: Spearman & Kendall

Alternatif nonparametrik (tidak mengasumsikan distribusi tertentu) ketika data ordinal atau distribusi jauh dari normal — tetap kuat, tetap bermakna.

ρ = 1 − 6Σdᵢ² / n(n²−1)

Kita masuk ke bagian ketiga, yaitu metode korelasi untuk data yang tidak memenuhi syarat Pearson. Kata kunci di sini adalah "rank" atau peringkat: alih-alih menggunakan nilai asli data, Spearman dan Kendall bekerja dengan urutan peringkat dari yang terkecil ke terbesar. Mengapa ini penting? Karena dalam banyak survei bisnis di Indonesia — survei kepuasan pelanggan, penilaian karyawan, atau rating produk — data yang dikumpulkan berbentuk peringkat atau skala Likert, misalnya kepuasan skala 1–5. Nilai-nilai ini tidak bisa dianggap memiliki jarak yang sama antar kategori, sehingga Pearson tidak tepat. Spearman dan Kendall dirancang khusus untuk situasi ini dan tetap memberikan hasil yang bermakna tanpa mengasumsikan normalitas. Nonparametrik (metode statistik yang tidak mengasumsikan distribusi data tertentu) adalah kata kunci yang membedakan kedua metode ini dari Pearson.

Kapan Gunakan Korelasi Rank?

GUNAKAN SPEARMAN/KENDALL JIKA:

Data ordinal (peringkat, skor Likert, rating)
Interval/rasio tetapi distribusi sangat tidak normal (skewed — condong, outlier ekstrem)
Sampel kecil (n < 30) dengan data tidak normal
Ada outlier yang mempengaruhi hasil Pearson

TETAP GUNAKAN PEARSON JIKA:

Data interval/rasio (harga, pendapatan, volume)
Distribusi mendekati normal atau n besar (n > 30, CLT)
Tidak ada outlier ekstrem
Ingin interpretasi langsung dengan unit asli

Spearman vs Kendall: keduanya valid untuk data ordinal. Spearman lebih umum dan mudah dihitung; Kendall lebih stabil untuk sampel kecil dengan banyak ties (nilai yang sama persis antar observasi dalam ranking). CLT = Central Limit Theorem (teorema batas sentral — rata-rata sampel besar mendekati distribusi normal).

Cara terbaik memilih antara Pearson dan Spearman adalah dengan dua pertanyaan sederhana: pertama, apa skala data Anda? dan kedua, apakah distribusinya mendekati normal? Jika data berupa peringkat atau skor survei Likert, jawaban pertanyaan pertama sudah cukup — gunakan Spearman atau Kendall. Jika data berskala rasio seperti pendapatan atau harga saham TLKM, maka cek distribusinya; jika sampel besar, Pearson cukup aman karena teorema batas sentral (CLT) membuat rata-rata sampel mendekati normal. Perbedaan antara Spearman dan Kendall lebih teknis: Spearman lebih dikenal dan mudah dihitung, sementara Kendall cenderung memberikan estimasi yang lebih stabil ketika banyak data memiliki nilai yang sama persis. Dalam praktik riset manajemen Indonesia yang menggunakan kuesioner, Spearman adalah pilihan default yang paling umum dipakai dan paling mudah dilaporkan kepada penguji skripsi atau tesis.

Coba Sendiri: Tambah Outlier, Bandingkan Pearson vs Spearman

Tambahkan titik outlier ekstrem pada data dan amati bagaimana r Pearson goyah sementara rho Spearman tetap stabil.

Korelasi Spearman (ρ): Ubah ke Rank, Lalu Hitung

Spearman mengganti nilai asli dengan peringkat (rank), lalu menghitung selisih peringkat.

Langkah Prosedur

1. Ranking X — beri peringkat 1 (terkecil) s.d. n (terbesar). Jika ada ties, beri rata-rata peringkat.
2. Ranking Y — sama untuk variabel Y.
3. Hitung dᵢ = Rank(Xᵢ) − Rank(Yᵢ) untuk tiap observasi.
4. Kuadratkan dᵢ² untuk tiap observasi.
5. Jumlahkan Σdᵢ².
6. Masukkan ke rumus di bawah.

ρ = 1 − 6Σdᵢ² / [n(n²−1)]

di mana: dᵢ = selisih peringkat X dan Y untuk observasi ke-i • Berlaku tepat jika tidak ada ties.

ρ = +1 → urutan X dan Y identik
ρ = −1 → urutan terbalik sempurna
ρ = 0 → tidak ada konsistensi urutan

Langkah kunci yang membedakan Spearman dari Pearson ada di awal: Anda tidak menghitung dengan nilai asli data, melainkan mengubah setiap nilai menjadi peringkatnya (rank — posisi ordinal suatu nilai dalam urutan dari terkecil ke terbesar). Misalnya, dari lima belas karyawan Garuda Indonesia, yang kepuasannya terendah diberi peringkat satu, yang tertinggi diberi peringkat lima belas. Setelah semua nilai diubah menjadi peringkat, prosesnya sangat sederhana: hitung selisih peringkat setiap pasangan (dᵢ), kuadratkan, jumlahkan, lalu masukkan ke rumus. Rumusnya adalah penyederhanaan aljabar dari rumus Pearson yang diterapkan pada peringkat ketika tidak ada ties; konstanta 6 dan bentuk n(n²−1) di penyebut adalah hasil penyederhanaan itu — Anda tidak perlu menghafal turunannya, cukup gunakan rumusnya langsung. Kalau peringkat X dan Y selalu sama, semua dᵢ = 0, Σdᵢ² = 0, dan ρ = 1. Kalau selalu berlawanan sempurna, ρ = −1.

Hitung dari Nol — HDN-2: Spearman ρ (Garuda Indonesia, 15 Karyawan)

Data peringkat kepuasan kerja (X) dan loyalitas (Y) dari 15 karyawan Garuda Indonesia (ilustratif). Hitung ρ Spearman.

Tabel Data & Perhitungan

Karyawan	Rank X	Rank Y	dᵢ	dᵢ²
1	1	2	−1	1
2	3	1	2	4
3	2	4	−2	4
4	5	3	2	4
5	4	6	−2	4
6–14	…	…	±2	4 tiap
15	14	15	−1	1
Σ			0	54

Hitung ρ

Langkah	Perhitungan	Nilai
6 × Σdᵢ²	6 × 54	324
n(n²−1)	15 × (225−1) = 15 × 224	3.360
6Σdᵢ²/n(n²−1)	324 / 3.360	0,0964
ρ	1 − 0,0964	≈ 0,904

ρ ≈ 0,904: korelasi positif sangat kuat antara kepuasan kerja dan loyalitas karyawan.

Sekarang kita kerjakan dari nol dengan data 15 karyawan Garuda Indonesia. Kolom pertama adalah peringkat kepuasan dan kolom kedua peringkat loyalitas — data ini sudah berbentuk ordinal sehingga Spearman adalah pilihan tepat. Langkah pertama, hitung selisih peringkat setiap karyawan (dᵢ) dan kuadratkan. Langkah kedua, jumlahkan semua dᵢ² — hasilnya 54. Langkah ketiga, masukkan ke rumus: ρ = 1 minus 6 dikali 54 dibagi 15 dikali 224, yang menghasilkan ρ ≈ 0,904. Angka ini menunjukkan korelasi positif yang sangat kuat antara kepuasan kerja dan loyalitas — konsisten dengan teori manajemen SDM bahwa karyawan yang puas cenderung lebih loyal. Verifikasi kontrol: Σdᵢ harus = 0 jika peringkat lengkap 1 hingga n tanpa ties, seperti yang terlihat di tabel. Perhatikan bahwa kita mendapat 0,904 dari data peringkat, bukan nilai kepuasan asli — itulah kekuatan Spearman, ia bekerja murni dari informasi urutan tanpa memerlukan asumsi distribusi normal.

HDN-2 Lanjutan: Uji Signifikansi ρ Spearman

Apakah ρ = 0,904 dengan n = 15 signifikan pada α = 0,05?

Pendekatan statistik-t untuk Spearman — valid untuk n > 10; rumus sama dengan Pearson (gunakan ρ sebagai pengganti r).

Langkah	Perhitungan	Nilai
1 − ρ²	1 − 0,904² = 1 − 0,817	0,183
√(1 − ρ²)	√0,183	0,4279
ρ√(n−2)	0,904 × √13 = 0,904 × 3,6056	3,2594
tₕ𝑖ₜ𝜢𝜫𝜬	3,2594 / 0,4279	≈ 7,62
df	n − 2 = 15 − 2	13
tₜ𝑚𝑿𝒆𝒉 (α/2 = 0,025, df = 13)	dari tabel-t	≈ 2,160
Keputusan	\|7,62\| > 2,160	Tolak H₀

Tolak H₀. Korelasi rank antara kepuasan kerja dan loyalitas signifikan pada α = 5%. Laporan: "Terdapat korelasi Spearman yang positif dan sangat kuat antara kepuasan kerja dan loyalitas karyawan (ρ = 0,904, p < 0,05)."

Prosedur uji signifikansi untuk Spearman sama persis dengan Pearson — kita gunakan statistik-t dengan rumus yang identik, hanya nilai ρ yang dimasukkan sebagai pengganti r. Satu catatan penting: pendekatan-t ini hanya valid sebagai aproksimasi yang baik ketika n lebih dari 10. Jika sampel Anda sangat kecil — misalnya n = 6 atau n = 8 — gunakan tabel nilai kritis ρ Spearman khusus yang tersedia di buku teks statistik; jangan pakai pendekatan-t karena aproksimasi distribusinya belum akurat. Dalam kasus kita, n = 15 lebih dari 10, sehingga pendekatan-t valid. Dengan ρ = 0,904 dan n = 15, t_hitung ≈ 7,62, jauh di atas t_tabel ≈ 2,160 untuk df = 13. Kesimpulannya: korelasi rank antara kepuasan kerja dan loyalitas karyawan Garuda Indonesia signifikan secara statistik pada tingkat kepercayaan 95 persen. Format pelaporan yang saya tulis di callout adalah format standar yang Anda gunakan dalam skripsi, laporan riset, atau presentasi manajemen SDM.

Kendall's Tau (τ): Ide Konkordansi

Kendall τ mengukur proporsi pasangan konkordansi (urutan sama) minus pasangan diskordansi (urutan terbalik) dari semua pasangan yang mungkin.

τ = (C − D) / [n(n−1)/2]

C = pasangan konkordansi (urutan relatif X dan Y sama antar dua observasi) • D = pasangan diskordansi (urutan terbalik) • n(n−1)/2 = total pasangan.

Kendall τ umumnya lebih kecil dari Spearman ρ untuk data yang sama — jangan dibandingkan langsung angkanya. Arah dan signifikansinya yang perlu disamakan.

Contoh Mini (n = 3: A, B, C)

Pasangan	X	Y	C / D
(A, B)	A<B (1<2)	A<B (1<3)	C
(A, C)	A<C (1<3)	A<C (1<2)	C
(B, C)	B<C (2<3)	B>C (3>2)	D

C = 2, D = 1 • Total pasangan = 3
τ = (2−1)/3 ≈ 0,333

Kendall's tau menggunakan logika yang sedikit berbeda dari Spearman. Alih-alih menghitung selisih peringkat, Kendall melihat setiap kemungkinan pasangan observasi dan menanyakan: apakah urutannya konsisten antara X dan Y? Jika ya, itu konkordansi (dua pasangan observasi dikatakan konkordansi jika urutan relatif X dan Y-nya sama); jika tidak, itu diskordansi (urutan relatif X dan Y berlawanan). Semakin banyak konkordansi dibanding diskordansi, semakin tinggi τ (tau — simbol Yunani untuk Kendall's tau). Nilai τ = +1 berarti semua pasangan konkordansi, τ = −1 berarti semua diskordansi. Dalam praktik, nilai τ biasanya lebih kecil dari ρ Spearman untuk data yang sama — ini normal dan tidak berarti satu lebih akurat dari yang lain. Untuk riset manajemen di Indonesia, Spearman lebih sering dipakai karena lebih dikenal oleh penguji dan pembaca jurnal. Kendall adalah pilihan terbaik ketika sampel sangat kecil atau banyak ties.

Bagian 4 dari 4

Perluasan & Keputusan

Peta keputusan metode, cheat sheet rumus, dan persiapan materi berikutnya.

Pearson

Spearman

Kendall

Peta Keputusan: Pilih Metode Korelasi

Peta ini adalah panduan satu halaman untuk keputusan metodologis terpenting dalam analisis korelasi. Mulailah dari pertanyaan tentang skala data. Jika kedua variabel berskala interval atau rasio dan distribusinya tidak ekstrem, Pearson adalah pilihan. Jika distribusi sangat condong atau ada outlier ekstrem, atau salah satu variabel ordinal, gunakan Spearman. Kendall adalah cadangan untuk situasi dengan banyak nilai kembar (ties) atau sampel yang sangat kecil. Yang sama pentingnya, peta ini mengingatkan bahwa setelah mendapat koefisien korelasi, Anda wajib menguji signifikansinya. Koefisien yang besar tapi tidak signifikan berarti kita belum punya bukti statistik yang cukup untuk menyimpulkan ada korelasi di populasi — ini sering terjadi pada sampel kecil. Gunakan peta ini sebagai daftar periksa setiap kali Anda menganalisis hubungan dua variabel dalam skripsi, tesis, atau pekerjaan profesional Anda.

Cheat Sheet — Analisis Korelasi

Konsep	Rumus	Keterangan
Pearson r	Σ[(Xᵢ−X̄)(Yᵢ−Ȳ)] / √[Σ(Xᵢ−X̄)² · Σ(Yᵢ−Ȳ)²]	Interval/rasio, distribusi normal
Determinasi r²	r² = r × r	% variasi Y yang dijelaskan X
Uji-t korelasi	t = r√(n−2) / √(1−r²), df = n−2	Sama untuk Pearson & Spearman
Spearman ρ	1 − 6Σdᵢ² / [n(n²−1)]	dᵢ = selisih rank; data ordinal
Kendall τ	(C−D) / [n(n−1)/2]	C = konkordansi, D = diskordansi
Korelasi parsial	(r_XY−r_XZ·r_YZ) / √[(1−r²_XZ)(1−r²_YZ)]	Kontrol variabel Z

6 Langkah Wajib Analisis Korelasi:
1 Scatter plot → 2 Pilih metode → 3 Hitung koefisien → 4 Hitung r² → 5 Uji signifikansi → 6 Interpretasi + ingat batas kausalitas

Ini adalah slide ringkasan yang saya sarankan Anda simpan baik-baik karena memuat semua rumus utama analisis korelasi dalam satu tampilan. Baris pertama dan kedua untuk Pearson: rumus r dan r² yang mengukur kekuatan dan proporsi variasi yang dijelaskan. Baris ketiga adalah rumus uji-t yang berlaku untuk menguji signifikansi baik Pearson maupun Spearman. Baris keempat dan kelima adalah Spearman dan Kendall untuk data ordinal. Baris keenam adalah korelasi parsial untuk mengontrol variabel ketiga. Yang sama pentingnya dengan rumus-rumus ini adalah enam langkah wajib di callout: jangan pernah langsung melompat ke menghitung r tanpa scatter plot lebih dulu, dan jangan pernah berhenti setelah dapat r tanpa menguji signifikansinya. Keenam langkah ini adalah protokol analisis yang bertanggung jawab — standar yang digunakan dalam jurnal manajemen Indonesia maupun internasional, dan yang akan dinilai oleh penguji skripsi atau tesis Anda.

Persiapan Pertemuan Berikutnya

YANG SUDAH DIKUASAI HARI INI

Scatter plot & pemilihan metode korelasi
Pearson r, r², uji-t signifikansi
Korelasi parsial & matriks korelasi
Spearman ρ & Kendall τ
Korelasi vs kausalitas

PERTEMUAN BERIKUTNYA — REGRESI LINEAR

Dari korelasi ke prediksi kuantitatif
Persamaan garis: Ŷ = a + bX
Estimasi koefisien a dan b (OLS — Ordinary Least Squares, metode kuadrat terkecil biasa)
r² dalam konteks regresi = goodness of fit (seberapa baik model menjelaskan data)
Prasyarat: korelasi linear yang kuat

Tugas Mandiri: Ambil data dua variabel keuangan dari laporan tahunan satu emiten BEI (min. 8 tahun). Hitung r Pearson dan uji signifikansinya menggunakan prosedur yang sudah dipelajari. Kumpulkan di pertemuan berikutnya.

Kita telah menyelesaikan seluruh materi analisis korelasi hari ini. Rangkuman singkatnya: korelasi mengukur arah dan kekuatan hubungan linear antar variabel; Pearson untuk data interval/rasio yang memenuhi asumsi normalitas; Spearman dan Kendall untuk data ordinal atau non-normal; r² memberi tahu seberapa besar proporsi variasi yang bisa dijelaskan; dan uji-t memastikan bahwa korelasi yang kita temukan bukan kebetulan sampel. Satu pesan yang paling penting: korelasi bukan kausalitas. Di pertemuan berikutnya, kita akan melangkah maju dari sekadar mengukur hubungan menjadi memprediksi secara kuantitatif dengan regresi linear sederhana. Hubungan antara kedua topik ini sangat erat: r² yang kita hitung hari ini adalah fondasi dari goodness of fit dalam regresi. Tugas mandiri yang saya minta sangat penting — cobalah sendiri dengan data nyata dari BEI, misalnya saham BBCA atau TLKM, karena pengalaman mengerjakan sendiri dengan data riil akan jauh lebih mengakar dibanding sekadar menonton di kelas.