Uji Korelasi Pearson dan Spearman di SPSS: Langkah dan Cara Membaca Output

Uji korelasi mengukur arah dan kekuatan hubungan dua variabel. Pakai korelasi Pearson bila kedua variabel berskala interval/rasio, hubungannya linier, dan sebarannya kira-kira normal; pakai korelasi Spearman (atau Kendall's tau-b) bila datanya ordinal, menceng, atau mengandung outlier. Di SPSS keduanya dijalankan lewat Analyze → Correlate → Bivariate, lalu Anda membaca tiga hal: koefisien (arah dan kekuatan), Sig. (signifikansi), dan N.

Langkah Singkat Uji Korelasi di SPSS

1. Siapkan satu kolom numerik per variabel di Data View, misalnya skor total kuesioner, bukan butir per butir.
2. Periksa scatterplot dan normalitas setiap variabel untuk menentukan Pearson atau Spearman.
3. Klik Analyze → Correlate → Bivariate, lalu pindahkan variabel ke kotak Variables.
4. Centang Pearson, atau Spearman dan/atau Kendall's tau-b untuk data ordinal atau tidak normal.
5. Pilih Two-tailed (atau One-tailed bila hipotesis berarah sejak proposal) dan biarkan Flag significant correlations tercentang.
6. Klik OK, lalu baca koefisien, Sig. (2-tailed), dan N pada tabel Correlations.
7. Laporkan koefisien, df atau n, nilai p, dan kategori kekuatan hubungan beserta sumber pedomannya.

Langkah di artikel ini mengikuti dokumentasi IBM SPSS Statistics 30. Opsi Show only the lower triangle dan tombol Confidence Interval baru tersedia sejak SPSS 27; pada versi yang lebih lama, bagian lain dialognya sama.

Pearson, Spearman, atau Kendall: Mana yang Tepat?

Ada tiga hal yang sering salah dipahami. Pertama, Spearman bukan uji "bebas syarat": hubungan kedua variabel tetap harus monoton. Hubungan berbentuk U terbalik, misalnya kecemasan dan performa, tidak akan tertangkap oleh Pearson maupun Spearman. Kedua, Kendall's tau-b hampir selalu menghasilkan angka lebih kecil daripada rho Spearman untuk data yang sama. Itu karena skalanya berbeda, bukan karena hubungannya lebih lemah, dan Field (2018) menyarankan Kendall untuk sampel kecil dengan banyak peringkat kembar (ties). Ketiga, satu butir Likert memang ordinal, tetapi skor total dari banyak butir lazim diperlakukan sebagai data interval, sehingga Pearson boleh dipakai selama asumsinya terpenuhi (Norman, 2010). Cara menyusun dan menskor butirnya dibahas di panduan kuesioner skala Likert.

Untuk variabel nominal, seperti jurusan atau metode pembayaran, korelasi bukan alat yang tepat. Gunakan uji chi-square beserta Cramér's V.

Contoh Kasus dan Pemeriksaan Data

Data ilustrasi (fiktif) untuk latihan: seorang mahasiswa meneliti 60 mahasiswa semester lima dengan empat variabel, yaitu motivasi belajar (skor total 12 butir Likert 1–5, rentang 12–60), jam belajar mandiri per minggu, durasi media sosial per hari (jam), dan IPK. Hipotesis utamanya H0: ρ = 0 (tidak ada hubungan motivasi dengan IPK) dan H1: ρ ≠ 0. Penulisan hipotesis berarah dibahas di panduan merumuskan hipotesis.

Cek Normalitas Setiap Variabel

Jalankan Analyze → Descriptive Statistics → Explore, lalu centang Normality plots with tests di tombol Plots. SPSS menampilkan Kolmogorov-Smirnov (Lilliefors) dan Shapiro-Wilk; di data ini keduanya memberi kesimpulan yang sama. Langkah lengkap dan cara membaca Q-Q plot ada di panduan uji normalitas di SPSS.

Durasi media sosial menceng ke kanan (skewness 1,12): hampir separuh mahasiswa memakai 2–4 jam sehari, tetapi beberapa mencapai 7–10 jam. Karena itu, hubungan MedSos dengan IPK diuji dengan Spearman, sedangkan motivasi, jam belajar, dan IPK diuji dengan Pearson.

Lihat Scatterplot Sebelum Menghitung

Buat scatterplot lewat Graphs → Legacy Dialogs → Scatter/Dot → Simple Scatter, isi Y Axis dengan IPK dan X Axis dengan Motivasi. Klik dua kali grafiknya, lalu pilih Elements → Fit Line at Total untuk menambahkan garis lurus.

Pada data ini, titik Motivasi–IPK naik dari kiri bawah ke kanan atas tanpa lengkungan dan tanpa titik yang menyendiri jauh dari kumpulannya. Pola ini cocok untuk Pearson. Pola MedSos–IPK berbeda: rata-rata IPK turun tajam dari 3,52 pada mahasiswa yang memakai media sosial maksimal 2 jam menjadi 3,26 pada kelompok 2–4 jam, lalu melandai di sekitar 3,15 untuk kelompok di atas 4 jam. Hubungannya monoton dan agak melengkung, sehingga Spearman lebih tepat menggambarkannya.

Cara Membaca Output Korelasi Pearson

Dengan Motivasi, JamBelajar, dan IPK di kotak Variables serta Pearson dicentang, SPSS menghasilkan tabel Correlations berikut. SPSS versi bahasa Inggris memakai titik desimal (misalnya .489); di sini angka ditulis dengan koma.

Matriksnya simetris: sel Motivasi–IPK sama dengan sel IPK–Motivasi, dan diagonal selalu bernilai 1. Cara membacanya:

• Pearson Correlation = koefisien r. Nilai 0,489 bertanda positif: makin tinggi motivasi, makin tinggi IPK.
• Sig. (2-tailed) = nilai p. SPSS menulis .000 untuk p di bawah 0,0005; laporkan sebagai p < 0,001, jangan "p = 0,000".
• Tanda bintang: satu bintang berarti signifikan pada 0,05 dan dua bintang pada 0,01.
• N = jumlah pasangan data. Dengan opsi bawaan Exclude cases pairwise, N bisa berbeda antarsel bila ada data kosong.

Koefisien Determinasi dan Interval Kepercayaan

Kuadrat koefisien, r² = 0,489² = 0,239, berarti 23,9% variasi IPK berbagi varians dengan motivasi belajar. Ini ukuran keeratan, bukan bukti bahwa motivasi menyebabkan 23,9% IPK. Pada SPSS 27 ke atas, tombol Confidence Interval memberi interval kepercayaan 95% untuk r, yaitu 0,268 sampai 0,661 pada contoh ini. Lebarnya rentang itu mengingatkan bahwa dengan 60 responden, kekuatan hubungan sebenarnya belum bisa ditaksir dengan presisi tinggi.

Membandingkan r Hitung dengan r Tabel

Banyak pembimbing meminta perbandingan r hitung dengan r tabel. r tabel dihitung dari distribusi t dengan df = n − 2, yaitu r tabel = t tabel / √(df + t tabel²). Untuk n = 60 (df 58) dan α 0,05 dua sisi, r tabel = 0,254. Karena r hitung 0,489 > 0,254, H0 ditolak. Kesimpulannya selalu sama dengan keputusan berdasarkan Sig. < 0,05.

Nilai di atas dihitung dengan rumus tersebut dan sama dengan tabel r product moment di buku statistik. Di Excel versi bahasa Inggris, r tabel untuk df 58 bisa dihitung dengan =T.INV.2T(0.05,58)/SQRT(58+T.INV.2T(0.05,58)^2); nama fungsi dan pemisah argumen bisa berbeda pada pengaturan bahasa Indonesia.

Kapan Memakai Uji Satu Sisi

Pilih One-tailed hanya bila arah hubungan sudah dirumuskan sebelum data dikumpulkan, misalnya H1: ρ > 0. SPSS lalu menampilkan Sig. (1-tailed), yaitu separuh p dua sisi. SPSS tidak tahu arah hipotesis Anda, jadi periksa tanda koefisien lebih dulu: bila tandanya berlawanan dengan H1, H0 gagal ditolak berapa pun nilai p-nya. Pembandingnya pun berubah: r tabel satu sisi untuk n = 60 adalah 0,214. Mengganti uji dua sisi menjadi satu sisi setelah melihat p yang "hampir signifikan" adalah praktik yang akan dipersoalkan penguji.

Membaca Output Spearman dan Kendall

Untuk pasangan MedSos–IPK, centang Spearman dan Kendall's tau-b. SPSS menampilkan tabel di bawah judul Nonparametric Correlations. Matriksnya berukuran 2 × 2; yang dibaca hanya sel MedSos–IPK.

Tanda negatif berarti hubungannya berlawanan arah: makin lama durasi media sosial, makin rendah IPK. Rho −0,411 termasuk kategori sedang, dan tau-b −0,294 membawa kesimpulan yang sama dengan angka lebih kecil, seperti dijelaskan di tabel pemilihan uji. Pearson pada pasangan yang sama menghasilkan r = −0,409. Angkanya mirip, tetapi Spearman yang tepat dilaporkan karena MedSos tidak normal dan hubungannya agak melengkung.

Interpretasi Kekuatan Koefisien Korelasi

Pedoman yang paling sering dikutip di skripsi Indonesia adalah pedoman Sugiyono (2019). Baca selalu nilai mutlaknya, sehingga r = −0,411 dan r = 0,411 sama kuatnya.

Literatur internasional lebih sering memakai patokan ukuran efek Cohen (1988): r 0,10 kecil, 0,30 sedang, dan 0,50 besar. Kedua pedoman bisa memberi label berbeda untuk angka yang sama. Korelasi parsial 0,338 di bagian berikut, misalnya, "rendah" menurut Sugiyono tetapi "sedang" menurut Cohen. Pilih satu pedoman, sebutkan sumbernya di Bab 3, dan konsistenlah di Bab 4.

Dua hal lain perlu diingat. Signifikan tidak sama dengan kuat: dengan n = 150, r = 0,17 sudah signifikan walaupun hubungannya sangat rendah (Schober et al., 2018). Korelasi juga tidak membuktikan sebab-akibat; untuk menguji pengaruh dan memprediksi Y, gunakan regresi linier berganda.

Korelasi Parsial: Mengontrol Variabel Ketiga

Motivasi berkorelasi dengan IPK, tetapi motivasi juga berkorelasi dengan jam belajar (r = 0,553), dan jam belajar berkorelasi dengan IPK (r = 0,423). Apakah hubungan motivasi–IPK masih ada setelah pengaruh jam belajar dikeluarkan? Korelasi parsial menjawabnya:

1. Klik Analyze → Correlate → Partial.
2. Masukkan Motivasi dan IPK ke kotak Variables, lalu JamBelajar ke kotak Controlling for.
3. Pilih Two-tailed, buka Options, dan centang Zero-order correlations agar korelasi biasa ikut tampil sebagai pembanding.
4. Klik OK.

Korelasi turun dari 0,489 (zero-order) menjadi 0,338, tetapi tetap signifikan dengan df = n − 3 = 57. Artinya, sebagian hubungan motivasi–IPK berjalan bersama jam belajar, tetapi motivasi tetap berhubungan dengan IPK pada mahasiswa dengan jam belajar yang sama. Bila Anda ingin menguji jalur "motivasi → jam belajar → IPK" sebagai mekanisme, alat yang tepat adalah analisis jalur, bukan korelasi parsial.

Menulis Hasil Uji Korelasi di Bab 4

Template berikut memakai angka contoh di atas. Sesuaikan dengan penelitian Anda, jangan disalin mentah.

Hasil uji korelasi Pearson menunjukkan hubungan positif yang signifikan antara motivasi belajar dan IPK, r(58) = 0,489; p < 0,001; IK 95% [0,268; 0,661]. Nilai r hitung lebih besar daripada r tabel (0,254; n = 60; α = 0,05 dua sisi), sehingga H0 ditolak. Kekuatan hubungan termasuk kategori sedang (Sugiyono, 2019), dan r² = 0,239 menunjukkan bahwa 23,9% variasi IPK berbagi varians dengan motivasi belajar.

Karena durasi penggunaan media sosial tidak berdistribusi normal (Shapiro-Wilk, p = 0,002), hubungannya dengan IPK diuji dengan korelasi Spearman. Hasilnya menunjukkan hubungan negatif yang signifikan dengan kekuatan sedang, rho = −0,411; p = 0,001; n = 60. Makin lama durasi media sosial per hari, makin rendah IPK mahasiswa.

Setelah jam belajar mandiri dikendalikan, korelasi parsial antara motivasi belajar dan IPK turun dari 0,489 menjadi 0,338, tetapi tetap signifikan, r(57) = 0,338; p = 0,009.

Kesalahan Umum yang Sering Dicoret Pembimbing

• Menulis "Sig. = 0,000". Nilai p tidak pernah nol; tulis p < 0,001.
• Menyimpulkan "pengaruh" dari korelasi. Korelasi hanya menunjukkan hubungan. Kata "pengaruh" memerlukan desain dan analisis yang sesuai, misalnya regresi atau eksperimen.
• Memilih uji tanpa memeriksa data. Pearson dipakai tanpa melihat scatterplot, padahal satu outlier bisa menaikkan atau menurunkan r secara drastis. Sebaliknya, ada yang langsung memakai Spearman hanya karena "datanya Likert", padahal yang dikorelasikan adalah skor total.
• Menafsirkan kekuatan tanpa sumber. Kategori "sedang" atau "kuat" harus merujuk ke pedoman yang disebutkan.
• Menguji puluhan pasangan lalu hanya melaporkan yang signifikan. Setiap sel matriks adalah satu uji. Makin banyak pasangan yang diuji, makin besar peluang menemukan korelasi signifikan secara kebetulan.
• Menganggap hasil tidak signifikan sebagai bukti tidak ada hubungan. Hasil itu berarti bukti belum cukup. Dengan n = 60, peluang mendeteksi korelasi sebenarnya sebesar 0,30 hanya sekitar 65%.

Kesimpulan

Uji korelasi menjawab pertanyaan sederhana, yaitu seberapa erat dan ke arah mana dua variabel bergerak bersama, tetapi pilihan ujinya ditentukan oleh data. Periksa skala, normalitas, dan scatterplot lebih dulu. Laporkan koefisien, df atau n, nilai p, dan interval kepercayaan bila tersedia, lalu tafsirkan kekuatannya dengan pedoman yang disebut sumbernya. Bila ada variabel ketiga yang mungkin "menumpang", korelasi parsial membantu memisahkannya.

Bila Anda ingin pemilihan uji dan pembacaan output korelasi Anda diperiksa, tim olah data SPSS Jokify dapat mengolah data penelitian Anda sendiri dan menjelaskan setiap tabelnya, agar Anda memahami setiap langkahnya dan siap mempertahankannya saat sidang.

Pertanyaan yang Sering Diajukan

Berapa jumlah sampel minimal untuk uji korelasi?

Tidak ada angka tunggal; jumlahnya bergantung pada besar korelasi yang ingin dideteksi. Dengan α 0,05 dua sisi dan power 0,80, perhitungan power eksak seperti pada G*Power (Faul et al., 2009) menghasilkan sekitar 84 responden untuk r = 0,30 dan 29 responden untuk r = 0,50. Korelasi kecil (r = 0,10) memerlukan sekitar 782 responden. Rumus dan contoh lainnya ada di panduan menghitung ukuran sampel.

Apakah uji validitas kuesioner juga memakai korelasi Pearson?

Ya. Validitas butir umumnya diuji dengan mengorelasikan skor butir dengan skor total. Versi yang dianjurkan adalah Corrected Item-Total Correlation, yaitu korelasi butir dengan total tanpa butir itu sendiri, lalu dibandingkan dengan r tabel, misalnya 0,361 untuk n = 30. Prosedurnya sedikit berbeda dari uji hubungan dua variabel, jadi ikuti panduan khusus uji validitas dan reliabilitas.

Apa beda uji korelasi dan uji regresi?

Korelasi bersifat simetris: tidak ada variabel bebas atau terikat, dan hasilnya hanya arah serta kekuatan hubungan. Regresi menempatkan satu variabel sebagai terikat, menghasilkan persamaan untuk memprediksinya, dan dapat memuat beberapa prediktor sekaligus. Pada regresi dengan satu prediktor, koefisien Beta sama dengan r Pearson.

Bagaimana jika hasil korelasi tidak signifikan?

Tulis apa adanya: H0 gagal ditolak, lengkap dengan nilai r, nilai p, dan interval kepercayaannya. Di pembahasan, jelaskan kemungkinan penyebabnya, seperti sampel terlalu kecil, rentang data sempit, atau hubungan yang tidak linier. Jangan berganti uji atau membuang responden demi mengejar signifikansi.

Bisakah korelasi dipakai untuk data dikotomi atau nominal?

Untuk variabel dikotomi berkode 0/1 dan variabel kontinu, korelasi Pearson menghasilkan korelasi point-biserial, yang sah dibaca seperti r biasa. Untuk dua variabel nominal, gunakan chi-square dengan phi (tabel 2 × 2) atau Cramér's V (tabel lebih besar). Jangan memakai Pearson untuk kode kategori seperti 1 = Jawa, 2 = Sumatra, 3 = Kalimantan, karena angka kode itu tidak memiliki urutan.

Referensi

• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum.
• Faul, F., Erdfelder, E., Buchner, A., & Lang, A.-G. (2009). Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behavior Research Methods, 41(4), 1149–1160. https://doi.org/10.3758/BRM.41.4.1149
• Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5th ed.). SAGE.
• IBM Corporation. (t.t.). Bivariate correlations. IBM SPSS Statistics 30 documentation. https://www.ibm.com/docs/en/spss-statistics/30.0.0?topic=features-bivariate-correlations
• IBM Corporation. (t.t.). Partial correlations. IBM SPSS Statistics 30 documentation. https://www.ibm.com/docs/en/spss-statistics/30.0.0?topic=features-partial-correlations
• Norman, G. (2010). Likert scales, levels of measurement and the "laws" of statistics. Advances in Health Sciences Education, 15(5), 625–632. https://doi.org/10.1007/s10459-010-9222-y
• Schober, P., Boer, C., & Schwarte, L. A. (2018). Correlation coefficients: Appropriate use and interpretation. Anesthesia & Analgesia, 126(5), 1763–1768. https://doi.org/10.1213/ANE.0000000000002864
• Sugiyono. (2019). Metode penelitian kuantitatif, kualitatif, dan R&D. Alfabeta.