Menentukan Pekali Korelasi: Pengenalan, Kaedah dan Aplikasi
Pekali korelasi ialah ukuran statistik yang menentukan kekuatan hubungan antara dua pembolehubah dalam set data. Korelasi adalah antara -1 hingga 1. Nilai pekali yang hampir dengan 1 atau -1 menunjukkan hubungan yang kuat antara kedua-dua pembolehubah tersebut. Nilai pekali yang hampir dengan 0 menunjukkan tiada hubungan yang kuat antara kedua-dua pembolehubah tersebut. Artikel ini akan membincangkan pekali korelasi, kaedah untuk mengiranya, tafsirannya dan aplikasinya dalam pelbagai bidang.
Pengenalan kepada Pekali Korelasi
Pekali korelasi memberi kita pandangan berangka tentang sejauh mana dua pembolehubah saling berkaitan. Pekali korelasi dibahagikan kepada dua jenis utama berdasarkan arah hubungan:
1. Pekali Korelasi Positif: Menunjukkan bahawa apabila satu pembolehubah meningkat, pembolehubah yang lain juga meningkat.
2. Pekali Korelasi Negatif: Menunjukkan bahawa apabila satu pembolehubah meningkat, pembolehubah yang lain menurun.
Hubungan antara dua pembolehubah juga boleh dibahagikan kepada tiga jenis berdasarkan kekuatan hubungan tersebut:
1. Korelasi Kuat: Pekali hampir dengan -1 atau 1.
2. Korelasi Sederhana: Pekali adalah antara -0.5 hingga -1 atau 0.5 hingga 1.
3. Korelasi Lemah: Pekali hampir kepada 0.
Kaedah untuk Mengira Pekali Korelasi
Beberapa kaedah biasa digunakan untuk mengira pekali korelasi, termasuk korelasi Pearson, korelasi Spearman dan korelasi Kendall. Mari kita bincangkan setiap kaedah ini dengan lebih terperinci.
1. Korelasi Pearson
Pekali korelasi Pearson sering digunakan apabila kedua-dua pembolehubah adalah selanjar dan mempunyai taburan normal. Formula untuk pekali korelasi Pearson ialah:
\[ r = \frac {n(\Sigma xy) – (\Sigma x)(\Sigma y)}{ \sqrt{ [n \Sigma x^2 – (\Sigma x)^2] [n \Sigma y^2 – (\Sigma y)^2 ] } } \]
Di mana:
– \( r \) = pekali korelasi,
– \( n \) = bilangan pasangan data,
– \( \Sigma xy \) = hasil tambah hasil darab pasangan data \( x \) dan \( y \),
– \( \Sigma x \) = jumlah nilai \( x \),
– \( \Sigma y \) = jumlah nilai \( y \),
– \( \Sigma x^2 \) = hasil tambah kuasa dua \( x \),
– \( \Sigma y^2 \) = hasil tambah kuasa dua \( y \).
2. Korelasi Pangkat Spearman
Pekali korelasi Spearman digunakan untuk data ordinal atau apabila andaian normaliti tidak dapat dipenuhi. Korelasi Spearman adalah berdasarkan kedudukan nilai data dan bukannya nilai sebenar. Formula untuk pekali korelasi Spearman ialah:
\[ \rho = 1 – \frac {6\Sigma d_i^2}{n(n^2-1)} \]
Di mana:
– \( \rho \) = pekali korelasi Spearman,
– \( d_i \) = perbezaan antara kedudukan pasangan data \( x \) dan \( y \),
– \( n \) = bilangan pasangan data.
3. Korelasi Tau Kendall
Pekali korelasi Kendall mengukur kekuatan hubungan antara dua pembolehubah ordinal. Tidak seperti Spearman, korelasi Kendall lebih tertumpu pada bilangan pasangan konkordan dan tidak konkordan. Formula untuk pekali korelasi Kendall ialah:
\[ \tau = \frac{ (C – D)} { \sqrt{(C + D + T) (C + D + U) } } \]
Di mana:
– \( \tau \) = pekali korelasi Kendall,
– \( C \) = bilangan pasangan konkordan,
– \( D \) = bilangan pasangan yang tidak sepadan,
– \( T \) = bilangan pasangan siri dalam pembolehubah \( x \),
– \( U \) = bilangan pasangan siri dalam pembolehubah \( y \).
Tafsiran Pekali Korelasi
Tafsiran pekali korelasi bergantung pada nilai pekali yang diperoleh:
– Pekali +1: Hubungan positif sempurna.
– Pekali 0.7 hingga 0.9: Hubungan positif yang kuat.
– Pekali 0.4 hingga 0.6: Hubungan positif sederhana.
– Pekali 0.1 hingga 0.3: Hubungan positif yang lemah.
– Pekali 0: Tiada hubungan.
– Pekali -0.1 hingga -0.3: Hubungan negatif yang lemah.
– Pekali -0.4 hingga -0.6: Hubungan negatif sederhana.
– Pekali -0.7 hingga -0.9: Hubungan negatif yang kuat.
– Pekali -1: Hubungan negatif sempurna.
Aplikasi Pekali Korelasi
Pekali korelasi mempunyai pelbagai aplikasi dalam pelbagai bidang, termasuk ekonomi, sains sosial, kesihatan, pendidikan dan banyak lagi. Berikut adalah beberapa contoh:
1. Ekonomi: Menentukan hubungan antara inflasi dan pengangguran, atau antara perbelanjaan pengguna dan pendapatan.
2. Sains Sosial: Menentukan hubungan antara pendidikan dan pendapatan, atau antara media sosial dan kesejahteraan psikologi.
3. Kesihatan: Membandingkan hubungan antara tabiat merokok dan kes kanser paru-paru, atau antara gaya hidup aktif dan kesihatan jantung.
4. Pendidikan: Meneliti hubungan antara masa belajar dan keputusan peperiksaan, atau antara saiz kelas dan pencapaian pelajar.
Contoh Praktikal Menggunakan Set Data
Katakan kita mempunyai set data yang merangkumi skor ujian matematik dan masa belajar dalam jam untuk 10 pelajar seperti berikut:
""
Pelajar Waktu Belajar Gred Matematik
1 5 85
2 3 78
3 6 90
4 2 76
5 4 80
6 6 88
7 5 85
8 3 82
9 7 91
10 5 87
""
Kita boleh mengira pekali korelasi Pearson antara Jam_Bimbingan dan Skor_Math. Menggunakan formula Pearson, kita mengira \( \Sigma x \), \( \Sigma y \), \( \Sigma xy \), \( \Sigma x^2 \), dan \( \Sigma y^2 \) terlebih dahulu, kemudian gantikan nilai-nilai ini ke dalam formula untuk mendapatkan nilai \( r \).
Kesimpulannya
Pekali korelasi merupakan alat yang ampuh dalam analisis data untuk menentukan kekuatan dan arah hubungan antara dua pembolehubah. Memahami konsep, kaedah pengiraan dan tafsiran pekali korelasi adalah penting untuk analisis data yang berkesan. Dengan pemahaman yang betul, kita dapat menentukan korelasi antara pembolehubah dalam pelbagai bidang dengan lebih baik dan membuat keputusan yang lebih tepat dan berasaskan data.
