uji korelasi

Top 5 Artikel

2021 Recap: Top 5 Artikel Exsight


2021 merupakan tahun yang menantang buat semua orang, termasuk Exsight. Pandemi belum berakhir, begitu juga visi Exsight. Selama 2021, Exsight terus konsisten mengedukasi & mengajak masyarakat meninggalkan pembajakan aplikasi dan mengkampanyekan aplikasi Open Source di ranah Statistika, Penelitian, dan Data Science.

Juga, tahun 2021 menjadi awal bagi Exsight memanjangkan tangan impiannya melalui pembuatan website dan penulisan Artikel. Teramati lebih dari 30.000 views mendarat di website Exsight, terhitung mulai dari masa pembangunan website dari nol di awal tahun. Angka yang bagus untuk sebuah website rintisan.

Berikut kami sajikan untuk anda Top 5 Artikel terurut dari view paling banyak:

1. Penjelasan dan Langkah Mudah Uji Korelasi Spearman Rho di Rstudio

Artikel Statistika ini menjadi artikel paling banyak dikunjungi. Artikel ini membahas lebih lanjut mengenai salah satu uji korelasi, yaitu Korelasi Spearman Rho dan bagaimana cara pengaplikasiannya menggunakan software R.

Korelasi spearman rho adalah metode statistik yang digunakan untuk menguji dugaan tentang adanya hubungan antara variabel apabila datanya berskala ordinal (rangking) atau berskala rasio/interval namun tidak memenuhi asumsi normalitas. Pada uji ini, nilai korelasi tidak dihitung berdasarkan nilai aktual data, melainkan melalui peringkat yang sudah diberikan pada data.

cuplikan tampilan halaman artikel

2. Dua Cara Post Hoc Test Uji Lanjut Anova menggunakan Rstudio

Artikel berikutnya membahas mengenai Uji Lanjut Anova menggunakan Rstudio.

Ada banyak sekali jenis uji lanjut yang dapat digunakan, dua yang paling umum digunakan jika data memenuhi asumsi normalitas adalah Fisher’s LSD test (Uji BNT) dan Tukey’s HSD test (Uji BNJ). Dan jika anova dilakukan menggunakan metode Kruskal Wallis yang artinya data tidak berdistribusi normal, maka uji lanjutnya dapat dilakukan dengan uji Mann Whitney.

cuplikan tampilan halaman artikel

3. 7V Karakteristik Lengkap Big Data

7V karakteristik Big Data. Artikel ini cukup anomali, karena biasanya yang dijelaskan adalah 3V karakteristik Big Data atau 5V Karakteristik Big Data.

Artikel ini menempati urutan ketiga di Top 5 Artikel pada 2021.

cuplikan halaman artikel

4. Ternyata Rstudio Juga Bisa Dark Mode Begini Caranya

Yak! artikel keempat membahas tutorial agar Rstudio mu bisa Dark Mode atau Mode Gelap. Mode Gelap lebih disukai oleh penggemar syntax dan coding lantaran lebih nyaman di mata.

Tidak hanya satu Mode Gelap, artikel ini sekaligus membahas beberapa Mode Gelap yang rekomended untuk digunakan.

cuplikan halaman artikel

5. Run R di Google Colab Ikuti Langkah Mudah Berikut

Hmm artikel di posisi 5 adalah artikel yang view nya melejit setelah dipublish dari dapur Exsight.

Artikel ini membahas tentang cara Run R di Google Colab. Biasanya pengguna Google Colab memakai Python di interface nya, artikel ini memfasilitasi buat kamu pengguna R!

cuplikan halaman artikel

2021 Recap: Top 5 Artikel Exsight Read More »

Langkah Mudah Uji Korelasi Pearson di R

Pada artikel sebelumnya, sudah pernah dibahas mengenai berbagai jenis uji korelasi berdasarkan skala data, sumber serta distribusi data. Nah, pada artikel kali ini akan dibahas lebih lanjut mengenai salah satu uji korelasi, yaitu Korelasi Pearson dan bagaimana cara pengaplikasiannya menggunakan software R. Jika kamu belum membaca artikel sebelumnya, kamu bisa klik di sini.

Korelasi Pearson


Korelasi Pearson merupakan salah satu ukuran korelasi yang digunakan untuk mengukur kekuatan dan arah hubungan linier dari dua variabel yang berskala interval atau rasio. Uji korelasi pearson ini merupakan analisis statistika parametrik yang mensyaratkan data memiliki sebaran normal. Pada analisis ini, nilai koefisien korelasi dapat dihitung dengan menggunakan Pearson Product Moment dengan persamaan sebagai berikut:

uji korelasi pearson

Nilai r pada persamaan di atas selalu berada di antara -1 sampai 1 (-1 ≤ r ≤ 1). Apabila nilai r = 1 maka disebut dengan korelasi linier positif sempurna. Apabila nilai r = -1 maka dinamakan korelasi linier negatif sempurna, sedangkan apabila nilai r = 0 menunjukkan bahwa tidak terdapat korelasi di antara kedua variabel tersebut.

Menurut Walpole et al. (2012) dalam bukunya yang berjudul Probability and Statistics for Engineers and Scientists, pengujian koefisien korelasi dilakukan dengan menggunakan uji hipotesis sebagai berikut:

  • Hipotesis

H0 : ρ = 0 (tidak terdapat korelasi linier di antara kedua variabel)

H1 : ρ ≠ 0  (terdapat korelasi linier di antara kedua variabel)

  • Statistik Uji

dengan n merupakan banyaknya pasangan data dari variabel-variabel yang diduga berkorelasi dan r merupakan nilai koefisien korelasi yang diperoleh berdasarkan persamaan (a) atau persamaan (b).

  • Kriteria Uji

H0 ditolak jika nilai p-value < 

α

atau \left | t \, hitung \right | > t \left ( 1-\frac{\alpha }{2},n-2 \right )

Jika H0 ditolak, maka terdapat korelasi linier di antara kedua variabel.

Nah, jika kita sudah mengetahui serta memahami dasar teori dari korelasi pearson, maka kita akan mencoba mengaplikasikan uji tersebut menggunakan software R.

Langkah Analisis di R


Misal ingin diketahui apakah terdapat hubungan antara Indeks Pembangunan Manusia (IPM) dan Harapan Lama Sekolah (HLS) di Jawa Tengah. Karena kedua indikator tersebut merupakan data berskala rasio, maka korelasi pearson merupakan uji korelasi yang tepat untuk menganalisis korelasi antar kedua variabel tersebut.

Data yang digunakan dalam tahap analisis dapat di-download di sini

Langkah pertama yang harus dilakukan saat akan melakukan analisis data menggunakan R adalah melakukan input data. Banyak cara yang dapat dilakukan untuk mengimpor data, disini saya menggunakan sintaks read_excel yang terdapat pada library (readxl)

#Input Data
library(readxl) #Mengaktifkan library readxl
data=read_excel(file.choose()) #Memilih file yang akan dianalisis

Setelah sintaks tersebut di-run, silahkan pilih data yang akan dianalisis. Jangan lupa untuk menyimpan data dalam format .xlsx jika ingin menggunakan sintaks read_excel.

Untuk mengecek apakah data telah diinput secara benar, kita dapat mengetikkan sintaks berikut

View(data)

Maka data akan terlihat sebagai berikut

Data tersebut terdiri dari 35 baris dan 3 kolom.

Sebelum dilakukan uji korelasi pearson, maka kita harus melakukan pengecekan asumsi normalitas terhadap kedua data tersebut. Metode uji normalitas yang saya gunakan di sini adalah uji Shapiro Wilk yang terdapat pada library nortest. Kamu bisa menggunakan uji normalitas lain sesuai dengan kebutuhan

#Uji normalitas
library(nortest)
shapiro.test(data$IPM)
shapiro.test(data$HLS)

Berikut hasil pengujiannya

> shapiro.test(data$IPM)

Shapiro-Wilk normality test

data: data$IPM
W = 0.94138, p-value = 0.06165

> shapiro.test(data$HLS)

Shapiro-Wilk normality test

data: data$HLS
W = 0.94315, p-value = 0.06981

Dari output di atas, kita dapat menyimpulkan bahwa pada taraf signifikansi 5%, kedua variabel berdistribusi normal. Hal ini dikarenakan kedua variabel memiliki p-value > 0.05.

Karena uji asumsi normalitas kedua variabel terpenuhi, maka kita dapat melanjutkan ke analisis utama kita, yaitu uji korelasi pearson. Pengujian akan dilakukan dengan sintkas cor.test sebagai berikut

#Uji Korelasi Pearson
cor.test(data$IPM,data$HLS,method=c('pearson'))

Dan berikut hasil pengujiannya

> cor.test(data$IPM,data$HLS,method=c('pearson'))

Pearson's product-moment correlation

data: data$IPM and data$HLS

t = 11.458, df = 33, p-value = 4.816e-13
alternative hypothesis: true correlation is not equal to 0

95 percent confidence interval:
0.7986102 0.9455189

sample estimates:
cor
0.893947

Berdasarkan uji hipotesis dan cara penarikan kesimpulan seperti yang telah dijelaskan sebelumnya, kita memperoleh informasi bahwa pada taraf signifikansi 5%, terdapat korelasi linier yang signifikan antara variabel IPM dan HLS. Adapun korelasi antar kedua bernilai positif, yaitu sebesar 0.893947

Korelasi positif tersebut juga dapat dilihat dari scatterplot berikut

#Plot antara IPM dan HLS
plot(data$IPM,data$HLS,main='IPM vs HLS')

Terlihat jelas dari plot tersebut bahwa keduanya memiliki korelasi positif. Hal ini berarti bahwa jika HLS mengalami peningkatan, maka IPM juga akan mengalami peningkatan dan begitu juga sebaliknya.

Okaaay, sekian penjelasan mengenai uji korelasi pearson dan tutorialnya di software R. Semoga bermanfaat dan jangan lupa share ke teman-teman mu biar banyak yang makin tau apa itu uji korelasi pearson. Jika kamu ada pertanyaan atau kendala, silahkan hubungi Exsight untuk penjelasan lebih lanjut.

See you in the next article!

Baca Juga: PENJELASAN DAN LANGKAH MUDAH UJI KORELASI SPEARMAN RHO DI R STUDIO

Langkah Mudah Uji Korelasi Pearson di R Read More »

Penjelasan Mengenai Uji Korelasi

Dalam Kamus Besar Bahasa Indonesia, korelasi memiliki arti hubungan timbal balik atau sebab-akibat. Sedangkan dalam statistika, uji korelasi sendiri merupakan teknik analisis yang digunakan untuk mengetahui ada tidaknya hubungan antar 2 variabel yang diuji. Ukuran keeratan dalam uji korelasi ini biasanya disebut dengan koefisien korelasi atau rho. Nilai rho berkisar dari -1 sampai dengan 1. Jika nilai rho mendekati -1 atau 1, maka kedua variabel tersebut memiliki korelasi yang kuat. Sebaliknya, jika nilai rho mendekati 0, maka kedua variabel cenderung memilki korelasi yang lemah atau bahkan tidak memiliki korelasi.

Dalam pengujian korelasi, kita dapat melihat  arah hubungan antar 2 variabel tersebut. Hubungan antar dua variabel bisa memiliki korelasi positif maupun korelasi negatif.

Macam – Macam Korelasi


Korelasi Positif


Pada korelasi positif, nilai rho akan berada pada interval 0 ≤ ρ ≤ 1. Pada contoh plot di atas, terlihat bahwa jika nilai X mengalami peningkatan, maka nilai Y juga akan meningkat. Sebaliknya, jika nilai X mengalami penurunan, maka Y juga akan menurun.

Korelasi Negatif


Pada korelasi negatif, nilai rho akan berada pada interval -1 ≤ ρ ≤ 0. Pada contoh plot di atas, terlihat bahwa jika nilai X mengalami peningkatan, maka nilai Y akan menurun. Sebaliknya, jika nilai X mengalami penurunan, maka Y akan meningkat.

Dalam statistika, ada beberapa metode yang dapat digunakan untuk mengetahui ada tidaknya hubungan antar variabel. Metode tersebut dipilih berdasarkan jenis dan distribusi dari data yang akan diuji. Berikut bebarapa metode uji korelasi yang umum digunakan.

Korelasi Pearson


Korelasi Pearson merupakan salah satu ukuran korelasi yang digunakan untuk mengukur kekuatan dan arah hubungan linier dari dua variabel. Metode ini dikembangkan oleh Karl Pearson dan digunakan jika kedua variabel yang diuji merupakan data berskala interval atau rasio. Tidak hanya itu, karena merupakan statistika parametrik, maka kedua variabel tersebut harus memenuhi asumsi normalitas sebelum dilakukan uji korelasi Pearson. Uji korelasi person ini dapat digunakan untuk data berpasangan maupun tidak, asalkan memenuhi asumsi normalitas.

Korelasi Spearman Rho


Bagaimana jika data sudah berskala interval atau rasio namun tidak memenuhi asumsi normalitas? Maka kita bisa menggunakan uji korelasi spearman. Pada uji ini, nilai korelasi tidak dihitung berdasarkan nilai aktual data, melainkan melalui peringkat yang sudah diberikan pada data. Uji ini juga bisa digunakan untuk data berskala ordinal. Namun harus diperhatikan bahwa salah satu syarat uji spearman ini dapat dilakukan adalah kedua variabel yang diuji harus berasal dari sumber yang berbeda atau tidak berpasangan. Misal, akan dilakukan pengujian untuk mengetahui ada tidaknya hubungan antara tinggi tanaman dan tekanan udara di tempat tersebut. Karena tinggi tanaman berasal dari tanaman, dan tekanan udara tentu saja berasal dari udara, maka pengujian korelasi dapat dilakukan dengan uji korelasi spearman

Korelasi Kendall Tau


Uji korelasi Kendall sebenarnya hampir sama dengan korelasi spearman, yaitu dapat digunakan untuk data berskala ordinal dan berskala interval atau rasio yang tidak memenuhi asumsi normalitas. Namun yang membedakannya adalah pada uji ini data harus berasal dari 1 sumber yang sama atau berpasangan. Contoh data yang berasal dari sumber yang sama adalah data berat dan tinggi badan siswa. Di mana kedua data tersebut sama-sama berasal dari sumber yang sama, yaitu 1 orang siswa pasti memiliki berat dan tinggi badan.

Korelasi Chi Square


Bagaimana jika data yang diuji berskala nominal? Kita bisa menggunakan uji korelasi chi square untuk melakukan pengujian tersebut. Pada uji chi square akan dibuat tabel silang untuk menabulasi (menyusun dalam bentuk tabel) suatu variabel dalam kategori dan menguji hipotesis bahwa frekuensi yang diobservasi (data yang diamati) tidak berbeda dari frekuensi yang diharapkan (frekuensi teoritis). Berikut contoh tabelnya:

Nah, sekian penjelasan uji korelasi kali ini. Untuk langkah analisis atau penjelasan lebih lanjut mengenai uji korelasi akan dibahas pada artikel selanjutnya. Atau kamu bisa juga hubungi exsight jika masih ada kendala atau kebingungan seputar uji korelasi.

See you in the next article and don’t forget to always use the original software for a better generation!

Baca Juga : Uji Korelasi Pearson di R

Penjelasan Mengenai Uji Korelasi Read More »

Hubungi Admin
Halo, selamat datang di Exsight! 👋

Hari ini kita ada DISKON 20% untuk semua transaksi. Klaim sekarang!