Saat Angka Tak Bisa Dipercaya, Peringkat Bicara: Panduan Lengkap Soal Korelasi Rank Spearman
Selamat pagi, para peneliti muda dan mahasiswa statistika di Bandar Lampung dan seluruh Indonesia! Dalam dunia analisis data, kita sering ingin mengetahui hubungan antara dua hal. Misalnya, apakah ada hubungan antara jumlah jam belajar dengan nilai ujian? Atau antara biaya promosi dengan angka penjualan? Biasanya, kita menggunakan korelasi Pearson untuk mengukur hubungan linear ini.
Namun, bagaimana jika data yang kita miliki tidak berupa angka pasti, melainkan sebuah peringkat atau urutan? Bayangkan seorang juri di festival kopi Lampung yang memberikan peringkat 1 sampai 10 pada berbagai jenis kopi. Atau data survei yang menggunakan skala “Sangat Suka”, “Suka”, “Kurang Suka”. Pada kasus seperti ini, di mana data bersifat ordinal atau distribusinya tidak normal, korelasi Pearson bisa jadi tidak akurat.
Di sinilah seorang pahlawan statistika non-parametrik datang untuk menyelamatkan: Korelasi Rank Spearman. Metode ini tidak peduli dengan nilai angka sebenarnya, ia hanya peduli pada posisi peringkatnya. Artikel ini akan menjadi panduan lengkap Anda untuk memahami, menghitung, dan menginterpretasikan korelasi Rank Spearman melalui sebuah studi kasus yang detail dan mudah diikuti.
Kenapa Harus Pakai Peringkat? Kapan Spearman Dibutuhkan?
Sebelum kita masuk ke perhitungan, penting untuk tahu kapan harus menggunakan “jurus” Spearman ini. Korelasi Rank Spearman (dilambangkan dengan Rho atau ρ) adalah alat yang sempurna ketika:
- Data Anda Bersifat Ordinal: Data tersebut sudah dalam bentuk peringkat, seperti juara 1, 2, 3, atau data dari skala Likert (misalnya, 1=Sangat Tidak Setuju, 5=Sangat Setuju).
- Hubungan Tidak Linear: Anda menduga ada hubungan antara dua variabel, tetapi hubungannya tidak membentuk garis lurus sempurna. Spearman mengukur hubungan monotonik, artinya selama satu variabel naik, variabel lainnya secara konsisten ikut naik (atau turun), meskipun tidak dalam proporsi yang sama.
- Data Memiliki Outlier: Ada beberapa data pencilan yang nilainya sangat ekstrem. Korelasi Pearson sangat sensitif terhadap outlier, sedangkan Spearman lebih kebal karena ia hanya melihat peringkat, bukan nilai aktualnya.
Secara sederhana, jika Anda ragu dengan kualitas data numerik Anda atau jika datanya sudah jelas-jelas berupa peringkat, Spearman adalah pilihan yang lebih aman dan seringkali lebih akurat.
Studi Kasus: Motivasi Belajar dan Peringkat Kelas di SMAN 2 Bandar Lampung
Seorang guru Bimbingan Konseling (BK) di SMAN 2 Bandar Lampung ingin mengetahui apakah ada hubungan antara tingkat motivasi belajar siswa dengan peringkat mereka di kelas. Guru tersebut mengambil sampel acak sebanyak 10 siswa (n=10) dan meminta mereka mengisi kuesioner motivasi dengan skor 1-10. Guru tersebut juga memiliki data peringkat paralel seluruh siswa di kelas.
Data yang Diperoleh:
| Siswa | Skor Motivasi (X) | Peringkat di Kelas (Y) |
| Adi | 8 | 3 |
| Budi | 5 | 9 |
| Cici | 9 | 2 |
| Dedi | 6 | 7 |
| Elen | 7 | 5 |
| Fira | 8 | 4 |
| Gani | 4 | 10 |
| Hana | 7 | 6 |
| Ivan | 10 | 1 |
| Jeni | 6 | 8 |
Export to Sheets
Tugas kita adalah menghitung koefisien korelasi Rank Spearman untuk mengetahui seberapa kuat hubungan antara kedua variabel tersebut.
Langkah 1: Membuat Peringkat untuk Setiap Variabel (Ranking)
Kita harus mengubah semua skor mentah menjadi peringkat. Peringkat 1 diberikan untuk nilai tertinggi.
a. Memberi Peringkat pada Skor Motivasi (X): Kita urutkan skor dari yang tertinggi (10) hingga terendah (4).
- Ivan (10) -> Peringkat 1
- Cici (9) -> Peringkat 2
- Adi (8) dan Fira (8) -> Ada angka kembar (tied rank). Mereka seharusnya menempati peringkat 3 dan 4. Maka, peringkat keduanya adalah rata-rata dari posisi tersebut: (3+4)/2 = 3.5.
- Elen (7) dan Hana (7) -> Angka kembar lagi. Seharusnya menempati peringkat 5 dan 6. Peringkat keduanya adalah (5+6)/2 = 5.5.
- Dedi (6) dan Jeni (6) -> Angka kembar lagi. Seharusnya menempati peringkat 7 dan 8. Peringkat keduanya adalah (7+8)/2 = 7.5.
- Budi (5) -> Peringkat 9
- Gani (4) -> Peringkat 10
b. Memberi Peringkat pada Peringkat di Kelas (Y): Variabel Y sudah dalam bentuk peringkat. Jadi kita tinggal menuliskannya kembali. (Peringkat 1 adalah yang terbaik).
Langkah 2: Menghitung Selisih Peringkat (di) dan Kuadratnya (di2)
Sekarang kita membuat tabel kerja yang lengkap untuk menghitung selisih antar peringkat (di) dan kemudian mengkuadratkan selisih tersebut (di2).
| Siswa | Skor Motivasi (X) | Peringkat Kelas (Y) | Rank (X) | Rank (Y) | di=Rx−Ry | di2 |
| Adi | 8 | 3 | 3.5 | 3 | 0.5 | 0.25 |
| Budi | 5 | 9 | 9 | 9 | 0 | 0 |
| Cici | 9 | 2 | 2 | 2 | 0 | 0 |
| Dedi | 6 | 7 | 7.5 | 7 | 0.5 | 0.25 |
| Elen | 7 | 5 | 5.5 | 5 | 0.5 | 0.25 |
| Fira | 8 | 4 | 3.5 | 4 | -0.5 | 0.25 |
| Gani | 4 | 10 | 10 | 10 | 0 | 0 |
| Hana | 7 | 6 | 5.5 | 6 | -0.5 | 0.25 |
| Ivan | 10 | 1 | 1 | 1 | 0 | 0 |
| Jeni | 6 | 8 | 7.5 | 8 | -0.5 | 0.25 |
| Total | $ \sum d_i^2 = 1.5 $ |
Export to Sheets
Langkah 3: Memasukkan ke dalam Rumus Spearman
Kita sudah mendapatkan semua komponen yang kita butuhkan:
- ∑di2 = 1.5
- n (jumlah siswa) = 10
Rumus koefisien korelasi Rank Spearman adalah:
ρ=1−n(n2−1)6∑di2
Sekarang kita masukkan angkanya:
ρ=1−10(102−1)6×1.5
ρ=1−10(100−1)9
ρ=1−10(99)9
ρ=1−9909
ρ=1−0.00909
ρ≈0.991
Mengartikan Hasil: Apa Makna Angka 0.991?
Setelah perjuangan menghitung, kita mendapatkan nilai koefisien korelasi Spearman (ρ) sebesar +0.991. Angka ini tidak berarti apa-apa jika kita tidak bisa menginterpretasikannya.
Cara Membaca Nilai Korelasi Spearman:
- Lihat Tandanya (+ atau -):
- Positif (+): Menunjukkan hubungan searah. Jika peringkat satu variabel naik, peringkat variabel lain cenderung naik juga.
- Negatif (-): Menunjukkan hubungan berlawanan arah. Jika peringkat satu variabel naik, peringkat variabel lain cenderung turun.
- Dalam kasus kita, tandanya positif (+).
- Lihat Angkanya (dari 0 sampai 1): Angka ini menunjukkan kekuatan hubungan. Semakin mendekati 1 (atau -1), semakin kuat hubungannya.
- 0.00 – 0.20: Korelasi sangat lemah
- 0.21 – 0.40: Korelasi lemah
- 0.41 – 0.60: Korelasi sedang
- 0.61 – 0.80: Korelasi kuat
- 0.81 – 1.00: Korelasi sangat kuat
Kesimpulan untuk Studi Kasus: Nilai ρ=+0.991 menunjukkan adanya korelasi yang sangat kuat dan positif antara skor motivasi belajar dengan peringkat di kelas pada sampel siswa SMAN 2 Bandar Lampung. Artinya, ada kecenderungan yang sangat kuat bahwa siswa dengan skor motivasi yang lebih tinggi juga memiliki peringkat kelas yang lebih baik (angka peringkatnya lebih kecil).
penulis: inziria