Korelasi Pearson vs Spearman: Kapan Harus Pakai yang Mana?

Bayangkan kamu sudah susah payah mengumpulkan data dari 150 responden, menginput semuanya ke SPSS, lalu menjalankan uji korelasi Pearson — hasilnya terlihat bagus, r = 0,67, signifikan di p < 0,05. Kamu lega. Tapi kemudian di meja sidang, penguji bertanya: "Apakah kamu sudah memeriksa normalitas data sebelum memakai Pearson?" Kamu terdiam. Ternyata datamu adalah skala Likert 1–5 yang secara teknis bersifat ordinal — dan Pearson bukan metode yang tepat untuk kondisi ini.

Skenario seperti ini lebih sering terjadi daripada yang kamu bayangkan. Kesalahan memilih metode korelasi bukan sekadar masalah teknis kecil — ini menyangkut validitas seluruh analisis datamu. Artikel ini hadir untuk membantumu membuat keputusan yang tepat, bukan hanya berdasarkan kebiasaan atau tebakan, melainkan berdasarkan kondisi data nyata yang kamu miliki.

Apa Itu Korelasi dan Mengapa Pemilihan Metode Itu Penting?

Korelasi adalah ukuran statistik yang menggambarkan kekuatan dan arah hubungan antara dua variabel. Ketika nilai satu variabel cenderung naik bersamaan dengan variabel lain, kita menyebutnya korelasi positif. Sebaliknya, jika satu naik dan yang lain turun, itu korelasi negatif. Yang penting dipahami adalah: korelasi tidak berarti kausalitas — hubungan tidak selalu berarti sebab-akibat. Korelasi hanyalah cara mengukur seberapa konsisten dua variabel bergerak bersama dalam dataset kamu.

Masalah yang sering terjadi di kalangan mahasiswa adalah memilih metode korelasi berdasarkan apa yang paling sering mereka lihat di contoh skripsi senior, bukan berdasarkan asumsi data yang wajib diperiksa. Korelasi Pearson, misalnya, sangat populer — hampir selalu menjadi default. Padahal Pearson memiliki syarat yang ketat: data harus berskala interval atau rasio, terdistribusi normal, dan hubungan antarvariabel harus linear. Jika syarat-syarat ini tidak terpenuhi, nilai r yang dihasilkan bisa menyesatkan. Konsekuensinya serius: hasil analisis bisa tidak valid, dipertanyakan saat sidang, bahkan berpotensi membuat kesimpulan penelitianmu keliru secara fundamental.

Di sinilah korelasi Spearman hadir sebagai alternatif. Spearman adalah metode non-parametrik yang tidak menuntut distribusi normal dan lebih tahan terhadap keberadaan outlier. Dua metode ini — Pearson dan Spearman — adalah pilihan utama dalam analisis korelasi penelitian kuantitatif, dan memahami kapan masing-masing digunakan adalah kompetensi dasar yang wajib dikuasai setiap peneliti.

Mengenal Korelasi Pearson: Cara Kerja, Rumus, dan Asumsinya

Korelasi Pearson, atau yang secara teknis disebut Pearson Product-Moment Correlation Coefficient, adalah metode statistik parametrik untuk mengukur hubungan linear antara dua variabel kontinu. Nilai koefisien yang dihasilkan, dilambangkan dengan r, bergerak dalam rentang -1 hingga +1. Nilai +1 berarti hubungan positif sempurna, -1 berarti hubungan negatif sempurna, dan 0 berarti tidak ada hubungan linear sama sekali.

Rumus dan Interpretasi Nilai r

Secara matematis, korelasi Pearson dihitung berdasarkan kovarians dua variabel yang dinormalisasi dengan hasil perkalian standar deviasi keduanya:

$$r = \frac{\sum (X_i - \bar{X})(Y_i - \bar{Y})}{\sqrt{\sum (X_i - \bar{X})^2 \cdot \sum (Y_i - \bar{Y})^2}}$$

Logika di balik rumus ini cukup intuitif: kita mengukur seberapa besar dua variabel "bergerak bersama" di atas atau di bawah rata-ratanya masing-masing. Semakin konsisten arah gerakannya, semakin kuat nilai r yang dihasilkan. Inilah mengapa Pearson disebut mengukur hubungan linear — metode ini sensitif terhadap pola garis lurus, bukan pola kurva atau hubungan non-linear.

Empat Asumsi yang Wajib Dipenuhi

Kekuatan Pearson datang dengan harga: ada empat asumsi yang wajib dipenuhi sebelum metode ini layak digunakan. Mengacu pada Sugiyono — Metode Penelitian Kuantitatif, Kualitatif, dan R&D dan Ghozali — Aplikasi Analisis Multivariate dengan SPSS, syarat penggunaan statistik parametrik mencakup:

1. Skala pengukuran interval atau rasio — variabel harus memiliki jarak antarkategori yang bermakna dan setara. Skor ujian (0–100), pendapatan dalam rupiah, atau indeks kinerja numerik adalah contoh yang tepat.
2. Distribusi normal — baik variabel X maupun Y harus terdistribusi secara normal di populasi, yang dapat diverifikasi melalui uji Kolmogorov-Smirnov atau Shapiro-Wilk.
3. Linearitas hubungan — pola hubungan antara X dan Y harus berupa garis lurus, bukan kurva. Ini dapat diperiksa melalui scatter plot.
4. Tidak ada outlier ekstrem — satu atau dua nilai yang sangat jauh dari distribusi utama dapat mendistorsi nilai r secara signifikan.

Contoh penelitian yang cocok menggunakan Pearson antara lain: hubungan antara nilai IPK mahasiswa dengan skor tes standar (keduanya skala rasio), hubungan pendapatan bulanan dengan jumlah tabungan, atau hubungan jam belajar dengan nilai ujian numerik.

Pro Tip: Jangan langsung lari ke Pearson hanya karena datamu terlihat "angka". Kuncinya bukan pada tampilannya — tapi pada skala pengukurannya. Tanyakan: apakah jarak antara angka 1 dan 2 benar-benar sama dengan jarak antara angka 4 dan 5 di instrumenmu?

Mengenal Korelasi Spearman: Alternatif Tangguh untuk Data Non-Normal

Korelasi Spearman, dilambangkan dengan ρ (rho) atau kadang rs, adalah metode korelasi non-parametrik yang dikembangkan oleh psikolog Charles Spearman. Tidak seperti Pearson yang bekerja langsung pada nilai mentah data, Spearman terlebih dahulu mengkonversi data menjadi ranking sebelum menghitung korelasi. Inilah mengapa Spearman disebut sebagai rank-based correlation — dan inilah sumber ketangguhannya.

Mekanisme Rank-Based Correlation

Cara kerjanya sederhana namun cerdas: setiap nilai data diurutkan dari terkecil ke terbesar, lalu diberi peringkat (rank). Setelah data dikonversi ke ranking, Spearman pada dasarnya menerapkan formula Pearson pada data ranking tersebut. Karena yang dihitung adalah urutan bukan nilai absolut, distribusi data asli tidak lagi menjadi persyaratan kritis. Outlier pun kehilangan "kekuatannya" untuk mendistorsi hasil — sebuah nilai ekstrem yang tadinya bernilai 1000 kini hanya menjadi rank tertinggi, setara dengan nilai yang hanya sedikit di atas rata-rata.

Keunggulan Spearman di Data Dunia Nyata

Dalam penelitian sosial dan pendidikan di Indonesia, data yang benar-benar memenuhi asumsi Pearson sepenuhnya sebenarnya lebih jarang dari yang dikira. Sebagian besar survei menggunakan skala Likert (1–5 atau 1–7) yang secara teknis bersifat ordinal — kita tahu bahwa 5 lebih tinggi dari 4, tetapi tidak bisa memastikan bahwa selisihnya benar-benar setara. Mengacu pada Hair et al. — Multivariate Data Analysis, metode non-parametrik seperti Spearman memberikan fleksibilitas yang sangat dibutuhkan ketika asumsi parametrik sulit dipenuhi.

Spearman menjadi pilihan tepat dalam kondisi berikut:

• Data berskala ordinal (contoh: peringkat kepuasan, tingkat persetujuan dalam skala Likert)
• Distribusi data tidak normal berdasarkan hasil uji normalitas
• Terdapat outlier ekstrem yang tidak bisa dihilangkan dari dataset
• Ukuran sampel sangat kecil (n < 30) sehingga asumsi normalitas sulit diverifikasi

Contoh konteks penelitian yang cocok: hubungan antara motivasi belajar (diukur dengan skala Likert 1–5) dengan peringkat kelas siswa, atau hubungan antara tingkat kepuasan pelanggan (ordinal) dengan frekuensi pembelian ulang.

Tabel Perbandingan Langsung: Pearson vs Spearman

Sebelum masuk ke framework keputusan, mari kita padatkan perbedaan keduanya dalam satu tampilan yang mudah dirujuk:

Ada mitos yang perlu diluruskan di sini: banyak mahasiswa beranggapan "Spearman selalu aman dipakai untuk semua data" — seolah Spearman adalah pilihan universal yang bebas risiko. Ini tidak tepat. Jika asumsi Pearson terpenuhi sepenuhnya, maka Pearson secara statistik lebih powerful — artinya lebih mampu mendeteksi hubungan yang sebenarnya ada di populasi. Beralih ke Spearman tanpa alasan yang valid berarti kamu secara sukarela menurunkan kekuatan statistik analisismu.

Kapan hasil kedua metode akan sangat mirip? Ketika data berskala interval/rasio dan terdistribusi mendekati normal tanpa outlier signifikan — dalam kondisi ini, nilai r Pearson dan ρ Spearman biasanya hanya berbeda di angka desimal ketiga atau keempat. Sebaliknya, hasil keduanya bisa sangat berbeda ketika ada outlier ekstrem atau distribusi yang sangat miring (heavily skewed) — dan dalam kasus inilah Spearman memberikan gambaran yang lebih akurat.

Catatan Penting: Skala Likert secara formal adalah skala ordinal. Meskipun ada perdebatan akademik mengenai penggunaannya dalam statistik parametrik (dengan kondisi tertentu), mayoritas metodolog — termasuk yang dirujuk Creswell dalam Research Design — merekomendasikan Spearman sebagai pilihan yang lebih konservatif dan aman untuk data Likert tanpa justifikasi khusus.

Decision Framework: Cara Memilih Korelasi yang Tepat untuk Datamu

Memilih antara Pearson dan Spearman bukan soal selera — ini soal mengikuti alur diagnostik yang sistematis berdasarkan karakteristik data aktualmu. Berikut adalah langkah-langkah yang perlu kamu tempuh.

Langkah-Langkah Diagnostik Data

Langkah 1 — Periksa skala pengukuran variabelmu

Ini adalah gerbang pertama. Tanyakan: apakah kedua variabel yang ingin kamu korelasikan berskala interval atau rasio? Jika salah satu atau keduanya berskala ordinal (termasuk Likert), hentikan pertimbangan Pearson dan langsung gunakan Spearman. Jika keduanya interval/rasio, lanjut ke langkah berikutnya.

Langkah 2 — Lakukan uji normalitas

Gunakan uji Kolmogorov-Smirnov (untuk n > 50) atau Shapiro-Wilk (untuk n ≤ 50) pada kedua variabel. Baca nilai Sig. pada output: jika Sig. > 0,05, data terdistribusi normal. Jika Sig. ≤ 0,05, distribusi tidak normal — pilih Spearman. Untuk panduan lebih lengkap, kamu bisa membaca panduan uji normalitas Kolmogorov-Smirnov dan Shapiro-Wilk.

Langkah 3 — Identifikasi outlier ekstrem

Gunakan boxplot di SPSS atau hitung z-score setiap nilai. Titik data dengan z-score > 3,29 (atau < -3,29) dianggap outlier ekstrem menurut Field (2018). Jika ada outlier yang tidak bisa dihapus secara substantif, Spearman lebih aman.

Langkah 4 — Periksa linearitas hubungan

Buat scatter plot antara variabel X dan Y. Apakah titik-titiknya membentuk pola garis lurus? Jika ya, asumsi linearitas terpenuhi dan Pearson bisa dilanjutkan. Jika polanya melengkung atau acak, Pearson tidak akan menangkap hubungan sebenarnya dengan akurat.

Flowchart Keputusan Ringkas:

Apakah kedua variabel berskala interval/rasio?
├── TIDAK → Gunakan SPEARMAN
└── YA → Apakah distribusi kedua variabel normal (Sig. > 0,05)?
           ├── TIDAK → Gunakan SPEARMAN
           └── YA → Apakah ada outlier ekstrem?
                      ├── YA → Pertimbangkan SPEARMAN
                      └── TIDAK → Apakah hubungan linear (scatter plot)?
                                   ├── TIDAK → Pertimbangkan SPEARMAN
                                   └── YA → Gunakan PEARSON ✓

Cara Menuliskan Justifikasi di Bab III

Di Bab III skripsi atau tesismu, kamu wajib menuliskan justifikasi pemilihan metode korelasi — bukan hanya menyebutkan nama metodenya. Contoh kalimat justifikasi yang bisa kamu adaptasi:

"Untuk mengukur hubungan antara variabel X dan variabel Y, penelitian ini menggunakan uji korelasi Spearman. Pemilihan metode ini didasarkan pada skala pengukuran variabel X yang bersifat ordinal (skala Likert 1–5), serta hasil uji normalitas Shapiro-Wilk yang menunjukkan distribusi data tidak normal (Sig. = 0,032 < 0,05). Hal ini sejalan dengan rekomendasi Sugiyono (2019) bahwa data yang tidak memenuhi asumsi parametrik lebih tepat dianalisis menggunakan statistik non-parametrik."

Justifikasi seperti ini adalah tameng kamu di meja sidang. Penguji yang bertanya tentang pilihan metode akan mendapatkan jawaban yang solid berbasis referensi, bukan sekadar "karena begitu yang biasa dilakukan."

Studi Kasus: Memilih Korelasi yang Tepat dalam 3 Skenario Penelitian

Skenario 1 — Penelitian Manajemen: Gaji vs. Produktivitas

Konteks: Seorang mahasiswa S2 Manajemen meneliti hubungan antara gaji bulanan karyawan (dalam rupiah) dengan skor produktivitas kerja (diukur dari output numerik per bulan).

Analisis: Kedua variabel berskala rasio. Uji Kolmogorov-Smirnov menghasilkan Sig. = 0,187 (normal). Scatter plot menunjukkan pola linear. Tidak ada outlier ekstrem setelah pemeriksaan boxplot.

Keputusan: Gunakan Pearson ✓

Contoh pelaporan: "Hasil uji korelasi Pearson menunjukkan nilai r = 0,612 dengan nilai signifikansi 0,001 (p < 0,05). Hal ini mengindikasikan terdapat hubungan positif yang kuat antara gaji bulanan dan produktivitas kerja karyawan."

Skenario 2 — Penelitian Pendidikan: Motivasi Belajar vs. Prestasi

Konteks: Mahasiswa S1 Pendidikan meneliti hubungan antara motivasi belajar (diukur dengan kuesioner Likert 1–5) dengan prestasi belajar siswa (diukur dengan peringkat kelas ordinal).

Analisis: Variabel motivasi bersifat ordinal (Likert), variabel prestasi juga ordinal (peringkat). Sejak langkah pertama, Pearson sudah gugur.

Keputusan: Gunakan Spearman ✓

Contoh pelaporan: "Hasil uji korelasi Spearman menunjukkan nilai ρ = 0,543 dengan nilai signifikansi 0,000 (p < 0,05). Artinya, terdapat hubungan positif yang cukup kuat antara motivasi belajar dan prestasi belajar siswa."

Skenario 3 — Edge Case: Data Interval dengan Distribusi Sangat Skewed

Konteks: Peneliti mengukur hubungan antara jam penggunaan media sosial per hari (interval) dengan tingkat kecemasan yang diukur menggunakan skala psikologis numerik (interval). Secara teknis, kedua variabel berskala interval — tapi setelah uji normalitas, data jam penggunaan media sosial sangat skewed ke kanan (banyak responden menggunakannya < 2 jam, sedikit yang > 8 jam), dengan Sig. Shapiro-Wilk = 0,007. Terdapat pula beberapa outlier signifikan.

Analisis: Meskipun skalanya interval, distribusi tidak normal dan ada outlier. Pearson dalam kondisi ini akan "tertarik" oleh outlier dan menghasilkan nilai r yang tidak representatif.

Keputusan: Gunakan Spearman ✓ (lebih aman dan lebih valid untuk kondisi ini)

Contoh pelaporan: "Mengingat distribusi data yang tidak normal pada variabel penggunaan media sosial (Sig. Shapiro-Wilk = 0,007 < 0,05) dan keberadaan outlier yang teridentifikasi melalui analisis boxplot, uji korelasi Spearman dipilih sebagai metode yang lebih robust. Hasil menunjukkan ρ = 0,489 (p = 0,003 < 0,05), mengindikasikan hubungan positif yang cukup kuat antara kedua variabel."

Cara Melakukan dan Menginterpretasikan Korelasi Pearson & Spearman

Secara teknis, menjalankan korelasi di SPSS untuk kedua metode ini menggunakan menu yang sama. Ikuti langkah berikut:

Analyze → Correlate → Bivariate

Masukkan variabel-variabelmu ke kotak Variables. Pada bagian Correlation Coefficients, centang Pearson jika kamu sudah memverifikasi semua asumsinya, atau centang Spearman untuk metode non-parametrik. Pastikan Test of Significance diatur ke Two-tailed (dua sisi) untuk penelitian yang tidak memiliki hipotesis arah yang spesifik secara teoritis. Klik OK.

Membaca Output SPSS dengan Benar

Output SPSS akan menampilkan tabel korelasi dengan tiga informasi utama yang perlu kamu baca:

• Nilai r atau ρ (Correlation Coefficient): Kekuatan dan arah hubungan. Positif berarti searah, negatif berarti berlawanan arah.
• Sig. (2-tailed): Nilai p untuk uji signifikansi. Jika Sig. < 0,05, hubungan dinyatakan signifikan secara statistik.
• N: Jumlah data yang dianalisis — pastikan sesuai dengan jumlah respondenmu.

Untuk menginterpretasikan kekuatan korelasi, gunakan pedoman Guilford yang diadaptasi Sugiyono sebagai berikut:

| Nilai |r| atau |ρ| | Interpretasi Kekuatan | |---|---| | 0,00 – 0,199 | Sangat lemah | | 0,20 – 0,399 | Lemah | | 0,40 – 0,599 | Cukup kuat | | 0,60 – 0,799 | Kuat | | 0,80 – 1,000 | Sangat kuat |

Template Kalimat Pelaporan Hasil Korelasi

Gunakan template berikut sebagai kerangka penulisan di Bab IV skripsimu:

"Hasil uji korelasi [Pearson/Spearman] antara [variabel X] dan [variabel Y] menunjukkan nilai [r/ρ] = [nilai], dengan nilai signifikansi sebesar [nilai Sig.] ([p < atau > 0,05]). Berdasarkan pedoman interpretasi Guilford (dalam Sugiyono, 2019), kekuatan hubungan tersebut tergolong [interpretasi kekuatan]. Arah hubungan yang [positif/negatif] menunjukkan bahwa semakin [tinggi/rendah] [variabel X], maka [variabel Y] cenderung [naik/turun]."

Untuk panduan lebih lanjut tentang membaca output statistik dari SPSS secara komprehensif, kamu bisa mengunjungi cara membaca output SPSS untuk skripsi.

Jika proses ini terasa panjang — dari uji normalitas, pengecekan outlier, hingga memilih metode dan menginterpretasikan output — Risos AI hadir untuk menyederhanakan seluruh alur kerja ini dalam satu platform. Sistem akan menjalankan uji normalitas secara otomatis, memberikan rekomendasi metode korelasi berdasarkan karakteristik data yang terdeteksi, dan menghasilkan interpretasi hasil langsung dalam Bahasa Indonesia yang baku dan siap masuk laporan — tanpa perlu bolak-balik menu SPSS secara manual atau menerjemahkan output satu per satu.

Kesimpulan: Pilih Metode Berdasarkan Data, Bukan Kebiasaan

Memilih antara korelasi Pearson dan Spearman bukan soal mana yang lebih canggih atau lebih populer — ini tentang jujur pada kondisi datamu. Pearson memberikan kekuatan statistik yang lebih tinggi, tapi hanya ketika asumsinya benar-benar terpenuhi. Spearman lebih fleksibel dan robust, tapi jangan jadikannya pelarian tanpa alasan yang valid.

Rangkuman keputusan yang perlu selalu kamu ingat:

• ✅ Data ordinal (Likert, peringkat)? → Spearman, tanpa tanda tanya.
• ✅ Data interval/rasio + normal + linear + tanpa outlier? → Pearson adalah pilihan optimal.
• ✅ Data interval/rasio tapi distribusi tidak normal atau ada outlier? → Spearman lebih aman.
• ✅ Tidak yakin? → Lakukan diagnostik empat langkah, dan tuliskan justifikasi di Bab III.

Jika penelitianmu melibatkan lebih dari sekadar korelasi — misalnya ingin melanjutkan ke analisis regresi — pastikan kamu juga memahami asumsi-asumsi yang berlaku di sana. Baca panduan lengkap analisis regresi linear berganda untuk melanjutkan perjalanan analisis statistikmu.

Pro Tip Terakhir: Di meja sidang, kamu tidak hanya perlu tahu apa hasilnya — tapi mengapa kamu memilih metode itu. Satu paragraf justifikasi yang solid di Bab III bisa menyelamatkanmu dari pertanyaan yang paling menjebak sekalipun. Tulis justifikasi itu sebelum kamu lupa alasannya.

Validitas penelitianmu dimulai dari keputusan metodologis yang tepat — dan keputusan itu dimulai dari memahami datamu sendiri.