MAKALAH UTB PRAKTIKUM

MATERI 7
SPEARMAN CORRELATION

Oleh:
Yenny Afiv Rosyanah Canerry
161610101097

FAKULTAS KEDOKTERAN GIGI

UNIVERSITAS JEMBER
2017
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Statistika merupakan cabang ilmu yang mempelajari tentang
bagaimana mengumpulkan, menganalisis dan menginterpretasikan data.
Statistika mampu menjadi semacam alat dalam melakukan suatu riset
empiris. Dalam menganalisis data, para ilmuwan menggambarkan
persepsinya tentang suatu fenomena.
Dalam statistika terdapat korelasi. Korelasi merupakan teknik analisis
yang termasuk dalam salah satu teknik pengukuran asosiasi/hubungan
(measures of association). Teknik ini berguna untuk mengukur kekuatan
hubungan antara dua variabel (kadang lebih dari dua variabel) dengan skala-
skala tertentu. Diantara sekian banyak teknik-teknik pengukuran asosiasi,
terdapat dua teknik korelasi yang sangat populer sampai sekarang, yaitu
korelasi pearson product moment dan korelasi rank spearman. Uji korelasi
rank spearman digunakan untuk menguji hubungan antara dua variabel
peringkat, atau satu variabel peringkat dan satu variabel pengukuran.
Sehingga penting bagi kita mempelajarinya khususnya cara menghitung uji
statistik dengan korelasi spearman (rank spearman correlation).

1.2. Rumusan Masalah

1.2.1 Apa pengertian dari korelasi spearman (rank spearman corelation)?
1.2.2 Bagaimana syarat penggunaan korelasi spearman (rank spearman
corelation)?
1.2.3 Bagaimana cara kerja dan langkah-langkah penggunaan korelasi
spearman (rank spearman corelation)?
1.2.4 Bagaimana contoh perhitungan korelasi spearman (rank spearman
corelation)?
1.2.5 Bagaimana perbedaan korelasi spearman dengan korelasi pearson
1.3. Tujuan
1.3.1 Untuk mengetahui pengertian dari korelasi spearman (rank spearman
corelation)
1.3.2 Untuk mengetahui syarat penggunaan korelasi spearman (rank
spearman corelation)
1.3.3 Untuk mengetahui cara kerja dan langkah-langkah penggunaan
korelasi spearman (rank spearman corelation)
1.3.4 Untuk mengetahui contoh perhitungan korelasi spearman (rank
spearman corelation)
1.3.5 Untuk mengetahui perbedaan korelasi spearman dengan korelasi
pearson

1.4. Manfaat
1.4.1 Memberikan informasi dan wawasan tentang uji korelasi spearman
 BAB II
PEMBAHASAN

2.1 Pengertian Korelasi Spearman (Spearman Correlation)

Korelasi Spearman adalah alat uji statistik yang digunakan untuk menguji
hipotesis asosiatif dua variabel bila datanya berskala ordinal (ranking). Nilai
korelasi ini disimbolkan dengan (dibaca: rho). Karena digunakan pada data
berskala ordinal, untuk itu sebelum dilakukan pengelolahan data, data kuantitatif
yang akan dianalisis perlu disusun dalam bentuk ranking (John H. Mcdonald,
2014).
Korelasi rank ini ditemukan oleh Spearman, sehingga disebut juga sebagai
korelasi spearman. Korelasi ini dapat juga disebut sebagai korelasi bertingkat,
korelasi berjenjang, korelasi berurutan, atau korelasi berpangkat. Besarnya
hubungan antara dua variabel atau derajat hubungan yang mengukur korelasi
berpangkat disebut koefisien korelasi berpangkat atau koefisien korelasi
Spearman yang dinyatakan dengan lambang rs. Makna dan kelayakan nilai r
seperti halnya dengan yang diuraikan dalam korelasi product moment (Nailul,
2015). Spearman rank ini digunakan untuk mengetahui hubungan bila datanya
ordinal (Sugiyono, 2012:244).

2.2 Syarat Penggunaan Korelasi Spearman (Spearman Correlation)

Uji korelasi rank spearman digunakan untuk menguji hubungan antara dua
variabel peringkat, atau satu variabel peringkat dan satu variabel pengukuran
(John H. Mcdonald, 2014). Korelasi peringkat spearman digunakan bila dimiliki
dua variabel peringkat, dan ingin dilihat apakah kedua variabel itu berlindung
(covary), apakah karena satu variabel meningkat, variabel lainnya cenderung
meningkat atau menurun. Korelasi rank spearman juga bisa digunakan jika
dimiliki satu variabel pengukuran dan satu variabel peringkat. Dalam kasus ini,
akan diubah variabel pengukuran ke peringkat dan menggunakan korelasi rank
spearman pada dua rangkaian peringkat (John H. Mcdonald, 2014).
 Beberapa orang menggunakan korelasi rank spearman sebagai alternatif
non-parametrik untuk regresi linier dan korelasi ketika mereka memiliki dua
variabel pengukuran dan satu atau keduanya tidak berdistribusi normal. Hal ini
membutuhkan konversi kedua pengukuran ke peringkat. Regresi linier dan
korelasi bahwa data terdistribusi normal, sedangkan korelasi rank spearman tidak
membuat asumsi ini, sehingga orang berpikir korelasi spearman lebih baik.
Sebenarnya, banyak penelitian simulasi telah menunjukkan bahwa regresi linier
dan korelasi tidak sensitif terhadap non-normalitas, satu atau kedua variabel
pengukuran bisa sangat tidak normal, dan probabilitas false positif (P <0,05, bila
hipotesis nol benar) masih sekitar 0,05 (John H. Mcdonald, 2014).

Hipotesis nol
Hipotesis nol berarti bahwa koefisien korelasi spearman, ("rho"), adalah 0.
A dari 0 berarti bahwa peringkat satu variabel tidak sesuai dengan tingkat
variabel lainnya. Dengan kata lain, rangking satu variabel meningkat, rangking
variabel lainnya tidak meningkat (atau menurun) (John H. Mcdonald, 2014).

Asumsi (Anggapan)
Jika digunakan korelasi rank spearman pada satu atau dua variabel
pengukuran yang diubah menjadi peringkat, tidak diasumsikan bahwa
pengukurannya normal atau homoscedastic. Hal ini juga tidak menganggap
hubungan itu linier, dan dapat digunakan korelasi peringkat spearman bahkan jika
hubungan antara variabel melengkung, selama hubungan yang mendasarinya
monoton (karena X semakin besar, Y terus bertambah besar, atau terus bertambah
kecil). Jika dimiliki hubungan non-monotonik (karena X menjadi lebih besar, Y
bertambah besar dan kemudian bertambah kecil, atau Y bertambah kecil dan
kemudian bertambah besar, atau lebih rumit), sebaiknya tidak digunakan korelasi
rank spearman. Seperti regresi linier dan korelasi, korelasi rank spearman
mengasumsikan bahwa pengamatan bersifat independen (John H. Mcdonald,
2014).
 Jika koefisien korelasi product moment pearson tidak dapat digunakan
(misalnya jika tidak ada hubungan linier yang jelas), lihat kriteria yang disebutkan
sebelumnya), mungkin sesuai untuk menggunakan koefisien korelasi rank
spearman. Hal ini adalah versi non-parametrik dari koefisien korelasi product
moment pearson, dan juga disebut spearman's atau Spearman's rho (Antony
Stewart, 2016).
Hal ini dapat digunakan bila salah satu dari berikut ini berlaku:
a. Ukuran sampel yang kecil
b. Tidak ada hubungan linier yang jelas antara variabel
c. Satu atau kedua variabel bersifat ordinal (Antony Stewart, 2016).

Korelasi rank spearman digunakan apabila:

1) kedua variabel yang akan dikorelasikan itu mempunyai tingkatan data
ordinal,
2) jumlah anggota sampel di bawah 30 (sampel kecil),
3) data tersebut memang diubah dari interval ke ordinal, dan data interval
tersebut ternyata tidak berdistribusi normal (Nailul, 2015).

2.3 Cara Kerja dan Langkah-Langkah Korelasi Spearman (Spearman

Correlation)
Cara Kerja
Korelasi rank spearman menghitung nilai P dengan cara yang sama seperti
regresi linier dan korelasi, kecuali jika kita melakukannya pada barisan, bukan
pengukuran. Untuk mengubah variabel pengukuran menjadi peringkat, buat nilai
terbesar 1, kedua terbesar 2, dan lain-lain. Gunakan rata-rata rangking untuk
ikatan. Misalnya, jika dua observasi diikat untuk peringkat kedua tertinggi, beri
mereka pangkat 2,5 (rata-rata 2 dan 3) (John H. Mcdonald, 2014).
Bila kita menggunakan regresi linier dan korelasi pada rangking, korelasi
pearson koefisien (r) sekarang menjadi koefisien korelasi spearman, , dan kita
bisa menggunakannya sebagai ukuran kekuatan asosiasi. Untuk 11 atau lebih
pengamatan, kita menghitung statistik uji dengan menggunakan persamaan yang
sama seperti untuk regresi linier dan korelasi, ganti untuk r : (John H.
Mcdonald, 2014).

Jika hipotesis nol (bahwa = 0) benar, ts terdistribusi dengan n-2 derajat

kebebasan. Jika kita memiliki 10 atau lebih sedikit pengamatan, nilai P yang
dihitung dari distribusi t agak tidak akurat. Dalam hal ini, kita harus mencari nilai
P dalam tabel statistik spearman untuk ukuran sampel kita (John H. Mcdonald,
2014).
Kita hampir tidak akan pernah menggunakan garis regresi untuk deskripsi
atau prediksi saat kita melakukan korelasi rank spearman, jadi jangan dihitung
sama dengan garis regresi (John H. Mcdonald, 2014).

Membuat Grafik dari Hasil

Kita dapat membuat grafik korelasi data spearman dengan cara yang sama
seperti regresi linier atau korelasi. Jangan meletakkan garis regresi pada grafik,
akan menyesatkan untuk menempatkan garis regresi linier pada grafik saat Anda
menganalisisnya dengan korelasi peringkat (John H. Mcdonald, 2014).

Koefisien korelasi peringkat Spearman - rho

Ukuran korelasi nonparametrik yang analog dengan koefisien korelasi
Pearson (r) adalah koefisien korelasi yang dikembangkan oleh Charles Spearman
(1908) yaitu koefisien korelasi peringkat spearman. Statistik ini kadang disebut
dengan spearman- rho. Jika pada koefisien korelasi pearson (r) digunakan untuk
mengetahui korelasi data kuantitatif (skala interval dan rasio), maka pada
koefisien korelasi peringkat spearman rho digunakan untuk pengukuran korelasi
pada statistik nonparametrik (skala ordinal). Ini merupakan ukuran korelasi yang
menuntut kedua variabel diukur sekurang-kurangnya dalam skala ordinal sehingga
obyek-obyek penelitiannya dapat diranking dalam dua rangkaian berurut (Sigit
Nugroho, dkk., 2008).
 Misal data terdiri dari sampel acak bivariat berukuran n, yaitu (X1,Y1),
(X2,Y2),....., (Xn,Yn ). Misalkan R(Xi ) adalah rank dari Xi dibandingkan dengan
nilai X lainnya, untuk i = 1,2,.....,n. R(Xi ) = 1 jika Xi adalah nilai X terkecil dari
X1, X2,......., Xn , R(Xi )= 2 jika i X adalah nilai X terkecil kedua, dan seterusnya
dengan rank n ditandai sebagai nilai i X terbesar. Begitu juga untuk R(Yi ) . Jika di
antara nilai Xi atau di antara nilai Yi terdapat angka sama, maka masing-masing
nilai yang sama diberi peringkat rata-rata dari posisi-posisi yang seharusnya (Sigit
Nugroho, dkk., 2008).

Rumus koefisien korelasi peringkat spearman- rho merupakan turunan rumus

koefisien korelasi pearson, yaitu:

dimana untuk koefisien korelasi peringkat spearman-rho, variabel asli diganti

dengan rank-ranknya, maka Xi diganti dengan R(Xi) dan Yi diganti dengan R(Yi).
Sehingga rumus koefisien korelasi peringkat Spearman-rho adalah

untuk mempermudah perhitungan, maka persamaan diatas dapat disederhanakan

sebagai berikut:

(persamaan A)
Dimana, , yaitu kuadrat dari selisih-selisih antara rank-rank
Xi dan Yi untuk masing-masing pengamatan (Sigit Nugroho, dkk., 2008).

Langkah-langkah untuk menghitung koefisien korelasi Spearman-rho adalah

sebagai berikut :
Berilah peringkat untuk masing-masing pengamatan X mulai dari 1 hingga n,
juga untuk pengamatan Y beri peringkat mulai dari 1 sampai n.

Tentukan harga yaitu jumlah kuadrat dari selisih-selisih antara rank-

rank Xi dan Yi untuk masing-masing pengamatan.
Gunakan persamaan A untuk menghitung (Sigit Nugroho, dkk., 2008).

Koefisien Korelasi Peringkat Spearman

Koefisien korelasi peringkat spearman merupakan salah satu metode
statistika non parametrik yang digunakan dalam menganalisis keeratan hubungan
antar variabel bebas dengan variabel terikat. Statistik koefisien korelasi peringkat
spearman didasarkan pada peringkat dari variabel X (Sumita, 2011).

Asumsi
1) Data terdiri dari contoh acak sebanyak n pasang pengamatan, dapat berupa
numerik maupun non-numerik.
2) Setiap pengamatan berpasangan menggambarkan dua pengukuran yang
diambil dari objek yang sama, disebut unit asosiasi (Sumita, 2011).

Hipotesis
1) Ho : X dan Y saling bebas ( ps = 0)
H1 : X danY memiliki hubungan searah atau berkebalikan (ps tidak sama
dengan 0)
2) Ho : X dan Y saling bebas (ps = 0 )
H1 : X dan Y memiliki hubungan searah (ps > 0)
 3) Ho : X dan Y saling bebas (ps = 0 )
H1 : X dan Y memiliki hubungan berkebalikan (ps < 0) (Sumita, 2011).

Statistik Uji
Prosedur untuk menghitung statistik uji korelasi peringkat spearman antara
variabel X dan variabel Y, rs adalah sebagai berikut:
1) Urutkan nilai-nilai pengamatan peubah X dari nilai yang paling kecil
hingga nilai yang paling besar. Peringkat untuk nilai ke-i ditulis sebagai
R(Xi). Jika Xi adalah nilai terkecil untuk peubah X, maka R(Xi)= 1.
2) Urutkan nilai-nilai pengamatan peubah Y dari nilai yang paling kecil
hingga nilai yang paling besar. Peringkat untuk nilai ke-i ditulis sebagai
R(Yi). Jika Yi adalah nilai terkecil untuk peubahY, maka R(Yi)= 1.
3) Jika ada beberapa nilai yanga sama (ties) berikan peringkat tengah
(midrank) (Sumita, 2011).

Statistik uji korelasi peringkat spearman adalah:

Statistik uji rs merupakan koefisien korelasi peringkat spearman yang mengukur

keeratan hubungan antara peringkat-peringkat pengamatan (Sumita, 2011).

Ties
Jika terdapat nilai yang sama (ties) baik pada peubah X maupun peubah Y maka
diberikan peringkat tengah (mid-rank). Ties sangat kecil pengaruhnya terhadap
nilai rs, kecuali jika dalam jumlah yang besar (Sumita, 2011).

Ketika data mengandung ties , rs dapat dikoreksi dengan rumus:

Jika koreksi terhadap ties diterapkan, maka statistik uji menjadi :

Kaidah Keputusan
Kaidah untuk masing-masing hipotesis yang dituliskan diatas ialah:
a. Tolak Ho jika nilai mutlak statistik uji |rs| lebih besar dari nilai tabel untuk
ukuran contoh n dan taraf nyata (2).
b. Tolak Ho jika nilai statistik uji rs lebih besar dari nilai tabel untuk ukuran
contoh n dan taraf nyata (1).
c. Tolak Ho jika nilai statistik uji rs lebih kecil dari tabel untuk ukuran
contohn dan taraf nyata (1) (Sumita, 2011).

Angka korelasi untuk koefisien korelasi Spearman berkisar pada 0, yang

bermakna tidak ada korelasi sama sekali,tetapi jika angka 1 bermakna adanya
korelasi yang sempurna. Selain besarnya nilai korelasi, tanda korelasi juga
berpengaruh kepada penafsiran hasil. Tanda negatif (-) pada output menunjukkan
adanya arah hubungan yang berlawanan, yang berarti adanya korelasi yang
negatif. Demikian juga dengan tanda positif (+) pada output menunjukkan arah
hubungan yang sama dengan pengertian ada korelasi yang positif (Sumita, 2011).

Koefisien Korelasi
Koefisien korelasi merupakan indeks atau bilangan yang digunakan untuk
mengukur keeratan (kuat, lemah, atau tidak ada) hubungan antarvariabel.

(Disadur dari Usman, H, 2006, hal 199)

Koefisien korelasi memiliki nilai antara -1 dan +1 (-1KK+1), (Hasan, 2008:
234)
1) Jika KK positif maka variabel-variabel berkorelasi positif. Semakin dekat
nilai KK ke + 1 semakin kuat korelasinya, demikian pula sebaliknya
2) Jika KK bernilai negatif maka variabel-variabel berkorelasi negatif.
Semakin dekat nilai KK ke -1 semakin kuat korelasinya, demikian pula
sebaliknya.
3) Jika KK berniali 0 maka variabel-variabel tidak menunjukkan korelasi.
4) Jika KK bernilai +1 atau -1 maka variabel menunjukkan korelasi positif
atau negatif yang sempurna

Untuk menentukan keeratan hubungan / korelasi antar variabel tersebut, berikut

ini diberikan nilai-nilai dari KK sebagai patokan, (Hasan, 2008: 234).
1) KK = 0 tidak ada korelasi
2) 0 < KK 0,20 korelasi sangat rendah / lemah sekali
3) 0,20 < KK 0,40 korelasi rendah / lemah tapi pasti
4) 0,40 < KK 0,70 korelasi yang cukup berarti
5) 0,70 < KK 0,90 korelasi yang tinggi; kuat
6) 0,90 < KK 1,00 korelasi yang sangat tinggi; kuat sekali, dapat
diandalkan.
7) KK = 1 korelasi sempurna

Adapun rumus korelasi spearman rank adalah sebagai berikut.

Keterangan:
= koefisien korelasi spearman rank
= selisih peringkat setiap data
n = jumlah data
 Setelah itu memberi interpretasi terhadap , interpretasi sederhana dengan
cara membandingkan dengan tabel rho. Dari tabel dapat dilihat bahwa n pada taraf
kesalahan 5% .Jika rHo hitung lebih besar dari rHo tabel baik pada taraf 5%,
maka hal ini berarti terdapat kesesuaian yang nyata atau signifikan. Selanjutnya
dari hasil perhitungan tersebut kemudian dilihat keertannya. menggunakan
pedoman interpretasi koefisien korelasi sebagai berikut.

Tabel Pedoman Interpretasi Koefisian Korelasi

Sumber :Sugiyono (2009:231)

Korelasi Spearman
Koefisien korelasi Spearman merupakan bagian dari statistika non
parametrik dimana distribusi dari data dapat diabaikan. Korelasi Spearman
merupakan teknik analisis data untuk mengetahui koefisien korelasi secara
mendasarkan pada perbedaan peringkat dari dua variabel dimana data telah
disusun secara berpasangan. Koefisien korelasi Spearman digunakan untuk
mengetahui derajat keeratan dua variabel yang memiliki skala pengukuran
minimal ordinal. Untuk menghitung koefisien korelasi maka data diberikan
peringkat dari 1 sampai berdasarkan urutan, tingkat kepentingan dan lain
sebagainya (Rangga, dkk., 2012)

Jika diberikan data , = (1,1 , 2,2 ,(3,3),...,(,)) maka koefisien

korelasi peringkat atau rumus Spearman untuk korelasi peringkat adalah (Murray,
2004):
dengan:
= selisih peringkat dan peringkat pada pasangan data (,),
= banyaknya pasangan data (,).

Untuk mengetahui apakah koefisien korelasi Spearman signifikan atau tidak

maka dilakukan suatu pengujian. Tes statistik untuk korelasi Spearman dapat
dilakukan dengan cara menghubungkan dengan tabel kritik yang berpedoman
pada jumlah sampelnya (Rangga, dkk., 2012)
Untuk ukuran sampel > 30 tes statistik yang digunakan adalah:

koefisien korelasi Spearman akan signifikan jika 1,96 atau 1,96 pada
tingkat signifikansi =5% (Rangga, dkk., 2012)

Fungsi Monotonik
Untuk memahami korelasi Spearman, perlu diketahui fungsi monotonik.
Fungsi monotonik adalah salah satu yang tidak pernah meningkat atau tidak
pernah berkurang karena variabel independennya meningkat (John Edward
Villacorta, 2012). Grafik berikut menggambarkan fungsi monotonik:

a. Secara monoton meningkat - variabel x meningkat variabel y tidak akan

berkurang:
b. Penurunan secara monoton - variabel x meningkat variabel y tidak akan
meningkat;
 c. Tidak monoton - variabel x meningkat variabel y kadang berkurang dan
kadang meningkat

Koefisien Korelasi Spearman

Koefisien korelasi Spearman adalah ukuran statistik dari kekuatan hubungan
monoton antara data pasangan. Dalam contoh itu dilambangkan dengan dan oleh
rs dibatasi sebagai berikut:

Perhitungan koefisien korelasi spearman dan pengujian signifikansi berikutnya

memerlukan asumsi data berikut untuk dipegang:
a. interval atau tingkat rasio atau ordinal;
b. berhubungan secara monoton (John Edward Villacorta, 2012).
Catatan: tidak seperti korelasi pearson, tidak ada persyaratan normalitas dan
karenanya statistik nonparametrik.
Tabel berikut memberi nilai x dan y untuk hubungan y = exp (x) tersebut. Dari
grafik kita bisa melihat bahwa ini adalah hubungan monoton yang sangat
meningkat (John Edward Villacorta, 2012).

Perhitungan korelasi pearson untuk data ini memberikan nilai sebesar, 699
yang tidak mencerminkan bahwa memang ada hubungan yang sempurna antara
data. Korelasi spearman untuk data ini bagaimanapun adalah 1, mencerminkan
hubungan monoton yang sempurna (John Edward Villacorta, 2012).
 Korelasi spearman bekerja dengan menghitung korelasi pearson pada nilai
peringkat data ini. Peringkat (dari rendah ke tinggi) diperoleh dengan menugaskan
pangkat 1 ke nilai terendah, 2 ke terendah berikutnya dan seterusnya (John
Edward Villacorta, 2012).
Jika kita melihat plot data peringkat, maka kita melihat bahwa keduanya
berhubungan secara linier.

Pada gambar di bawah ini berbagai sampel dan nilai koefisien korelasi
sampel yang sesuai disajikan. Tiga yang pertama mewakili nilai korelasi
monotonik "ekstrem" dari -1, 0 dan 1:

Selalu apa yang kita amati dalam sampel adalah nilai sebagai berikut:
Catatan: Koefisien korelasi Spearman adalah ukuran hubungan monoton dan
dengan demikian nilai rs = 0 tidak berarti tidak ada hubungan antara variabel.
Misalnya pada scatterplot rs = 0 berikut yang menyiratkan tidak ada (monotonik)
korelasi namun ada hubungan kuadrat yang sempurna (John Edward Villacorta,
2012).
2.4 Contoh Korelasi Spearman (Spearman Correlation)

Contoh 1
Misalnya, Melfi dan Poyser (2007) mengamati perilaku 6 monyet colobus
jantan (Colobus guereza) di kebun binatang. Dengan melihat monyet-monyet itu
mendorong monyet-monyet lain keluar dari jalan mereka, mereka dapat memberi
peringkat pada monyet dalam hirarki dominasi, dari yang paling dominan hingga
yang paling sedikit dominan. Ini adalah variabel peringkat, sementara para periset
tahu bahwa Erroll dominan di atas Milo karena Erroll mendorong Milo keluar dari
jalannya, dan Milo dominan atas Fraiser, mereka tidak tahu apakah perbedaan
dominasi antara Erroll dan Milo lebih besar atau lebih kecil daripada perbedaan
dominasi antara Milo dan Fraiser. Setelah menentukan peringkat dominasi, Melfi
dan Poyser (2007) menghitung telur nematoda Trichuris per gram kotoran
monyet, sebuah variabel pengukuran. Mereka ingin tahu apakah dominasi sosial
dikaitkan dengan jumlah telur nematoda, sehingga mereka mengubah telur per
gram kotoran ke peringkat dan menggunakan korelasi rank spearman (John H.
Mcdonald, 2014).
Nama Rangking Telur per gram
Telur per gram
Monyet Dominan (Rangking)
Errol 1 5777 1
Milo 2 42225 2
Fraiser 3 2674 3
Fergus 4 1249 4
Kabul 5 749 6
Hope 6 870 5

Untuk contoh monyet Colobus, spearman's adalah 0,943; dan nilai P dari tabel
kurang dari 0,025; sehingga hubungan antara dominasi sosial dan telur nematoda
signifikan (John H. Mcdonald, 2014).
Contoh 2

Jenis burung frigatebird jantan (Fregata magnificens) memiliki kantong

tenggorokan merah yang besar. Mereka secara visual menampilkan kantong ini
dan menggunakannya untuk membuat suara drum saat mencari pasangan (Madsen
dkk, 2004). Peneliti ingin mengetahui apakah betina, yang mungkin memilih
pasangan berdasarkan ukuran kantong mereka, bisa menggunakan nada suara
drum sebagai indikator ukuran kantong. Penulis memperkirakan volume kantong
dan frekuensi dasar suara drum pada 18 frigatebird jantan (John H. Mcdonald,
2014).
Ada dua variabel pengukuran, ukuran kantong dan pitch. Penulis
menganalisis data dengan menggunakan korelasi rank spearman, yang mengubah
variabel pengukuran ke peringkat, dan hubungan antar variabel signifikan
(spearman's = -0.76, 16 d.f., P = 0.0002). Penulis tidak menjelaskan mengapa
mereka menggunakan korelasi rank spearman. Jika mereka menggunakan korelasi
reguler, mereka akan memperoleh r = -0,82, P = 0,00003 (John H. Mcdonald,
2014).
Contoh 3
Kita asumsikan data hubungan antara tingkat kolestrol dan BMI
berdistribusi tidak normal dan transformasi tidak bisa membuat distribusi menjadi
normal, alternatifnya kita menggunakan uji Spearman (Najma, 2013).
Ho : tidak ada korelasi antara tingkat kolesterol dengan boddy mass index
Ha : ada korelasi antara tingkat kolesterol dengan boddy mass index

Jika p value > 0,05 maka Ho diterima dan Ha ditolak

Jika p value < 0.05 maka Ho ditolak dan Ha diterima (Najma, 2013).

Langkah 1 Uji Korelasi Spearmanearm

Langkah 2 Uji Korelasi Spearman

Hasil
Korelasi Antara Tingkat Kolesterol dan BMI

Tabel yang Dilaporkan

Interpretasi
Nilai p < 0,0001 sehingga ada korelasi bermakna antara tingkat kolestrol dan
BMI
Nilai korelasi spearman sebesar 0,405 menunjukan bahwa arah korelasi positif
dengan kekuatan korelasi sedang dimana semakin tinggi tingkat kolestrol maka
Boddy Mass Index semakin besar (Najma, 2013).
Contoh 4
Sebuah penelitian dilakukan untuk mengetahui korelasi antara Kadar SGOT (Unit
Karmen/100ml) dengan Kolesterol HDL (mg/100ml) pada 7 sampel yang diambil
secara random. Hasil pengumpulan data dapat dilihat pada Tabel. Bagaimana
kesimpulan yang dapat diambil dari data tersebut?=0.01 (Sumita, 2011).

Prosedur Uji
1. Tetapkan hipotesis
H0 : Tidak ada korelasi antara kadar SGOT dengan HDL
Ha : Ada korelasi antara kadar SGOT dengan HDL
2. Tentukan nilai tabel pada n=7 =0,01 0,893.Hitung nilai hitung.
Tabel Nilai Kritis untuk Koefisien Korelasi Peringkat Spearman
 Hasil analisis

Keterangan:
= korelasi Rank Spearman.
di2 = perbedaan setiap pasangan rank
N = jumlah data

Karena nilai hitung (0,964) tabel (0,893), maka Ho ditolak Ha diterima

berarti ada korelasi yang sangat kuat dan positif antara kadar SGOT dengan kadar
HDL (Sumita, 2011).
Contoh 5
Diketahui data:

Ditanyakan:
1. Bagaimana hubungan X dengan Y?
2. Jika X sebagai penilaian juri A dan Y sebagai penilaian juri B.Apakah
kedua penilaian itu ada kesesuaian (kecocokan)?
3. Jika X sebagai jumlah nilai genap dan Y jumlah nilai ganjil. Apakah alat
pengumpul data tersebut reliabel? (Nailul, 2015).

Jawab:
1. Tulis Ha dan Ho dalam bentuk kalimat
a. Ha Terdapat hubungan yang positif den signifikan, antara variabel X
dengan Y.
b. Ho Tidak terdapat hubungan yang positif dan signifikan antara variabel X
dengan Y
2. Tulis Ha dan Ho dalam bentuk statistik
a. Ha : r 0
b. Ho : r = 0
3. Tabel penolong analisis korelasi rank spearman.
Cara menghitung rank genap:
a. Urutkan data genap mulai yang terbesar sampai terkecil, sehingga data
genap (X) menjadi sebagai berikut:

b. Periksa dulu apakah nilai data yang diurutkan sudah cocok dengan
banyaknya anggota ota sampel? Dalam halini sudahada enam urutan
mentah. Setelah cocok lanjutkan menghitung urutan matang (ranking ke-)
dengan cara, sebagai berikut:

c. Masukkan ranking tersebut ke dalam tabel penolong sesuai dengannilai

data masing masing. Dengancara yang sama makaranking ke- n, untuk
data nilai ganjil dapat di hitung.
 d. Cari selisih ranking nilai genap dengan rangkin nilai ganjil.
e. Jumlahkan semua selisih rankin tersebut,jika = 0 berarti perhitungan betul
dan lanjutkan.
f. Kuadratkan selisih ranking (b) tersebut, kemudian jumlahkan sehingga
menjadi b2.

4. Masukkan nilai yang di dapat dalam tabel penolong itu ke dalam rumus
spearman, sehingga di dapat.

5. Taraf signifikansi () = 0,05

6. Tentukan kriterianya yaitu:
Jika rs table <rs hitung<rs tabel, maka Ho diterima atau korelasinya tidak
signifikan.
7. Tentukan dk = 6 2= 4 dan taraf signifikan ( = 0,05) dengan melihat tabel t di
dapat nilai ttabel = 2,776
8. Ternyata 2,776 < 0,499 < 2,776 atau ttabel< thitung< ttabel sehingga Ho
diterima atau korelasinya tidak signifikan.
9. Kesimpulannya.hubungan antara variabel X dengan variabel Y ternyata positif
(agak cukup) dan tidak signifikan.

Jawaban nomor 2, langkah langkanya sama dengan di atas hanya istilah

signifikan dengan kesesuaian.
Jawaban nomor 3, dimulai dari langkah langkah 4 dan lanjutkan dengan
memasukkan nilai r ke rumus Spearmaan Brown, sehingga di dapat.
 6. Tentukan kriterianya yaitu:
Jika t ii tabel< t ii hitung < t tabel sehingga Ho diterima atau tidak reliable. rii
tabel pada daftar r kritis untuk Spearman dengan = 0.05 dan n = 6 didapat r ii
tabel = 0.829

Ternyata 0,828 < 0,814 < 0,829 atau rs tabel<rs hitung< rs tabel sehingga H.
diterima atau alat pengumpul datanya tidak reliabel (Nailul, 2015).

2.5 Perbedaan Korelasi Spearman dengan Korelasi Pearson

"Rho" spearman adalah analog non-parametrik terhadap korelasi momentum
produk pearson. Rho Spearman dirancang untuk memperkirakan koherensi atau
kurangnya koherensi dua variabel (seperti dalam Korelasi Momentum Produk
Pearson). Dihitung berdasarkan data rank-ordered (ordinal) (Ken Plummer, 2014).

Berikut ilustrasi perbedaan antara Korelasi Pearson dan Rho Spearman:

Apakah waktu balapan atlet yang berpartisipasi dalam kompetisi bersepeda dan
lari saling bergantung satu sama lain? (Ini adalah pertanyaan Korelasi Pearson
karena kita berhadapan dengan variabel kontinyu) (Ken Plummer, 2014).
Ini adalah pertanyaan rho spearman jika kita berhadapan dengan urutan data
ordinal atau ordinal:

Singkatnya, jika setidaknya satu dari dua variabel yang dikorelasikan didasarkan
pada pengukuran ordinal yang mendasarinya, Rho Spearman adalah perkiraan
yang tepat (Ken Plummer, 2014).
Sebagai contoh
Jika kedua variabel berada pada skala interval, namun satu atau keduanya secara
signifikan condong, maka Spearman's Rho adalah perkiraan yang tepat untuk
mengkompensasi distorsi mean (Ken Plummer, 2014).
Sebagai contoh:

Rho Spearman memberikan hasil yang identik dengan Korelasi Pearson

 a. Berkisar antara -1 sampai +1.
b. Arahnya ditentukan oleh tanda (- +)
c. Semakin dekat nilainya adalah -1 atau +1, semakin kuat hubungan
d. Semakin dekat nilainya dengan 0, semakin lemah hubungan (Ken
Plummer, 2014).

Hal ini berbeda dengan Tau Kendall (Kendalls Tau) dengan satu cara sederhana.
Rho Spearman tidak mampu menangani ties. Sedangkan Kendalls Tau mampu
menangani ties (Ken Plummer, 2014).
Sebagai contoh:
 BAB III
KESIMPULAN
Kesimpulan
Korelasi spearman adalah alat uji statistik yang digunakan untuk menguji
hipotesis asosiatif dua variabel bila datanya berskala ordinal (ranking). Nilai
korelasi ini disimbolkan dengan (dibaca: rho). Karena digunakan pada data
berskala ordinal, untuk itu sebelum dilakukan pengelolahan data, data kuantitatif
yang akan dianalisis perlu disusun dalam bentuk ranking. Langkah-langkahnya
yaitu:
1. Menentukan formulasi hipotesis (H1 dan H0)
2. Menentukan taraf nyata ( = 0,05) untuk menentukan tabel
3. Menyusun tabel penolong untuk menentukan hitung
4. Menghitung nilai hitung dengan rumus :

5. Bila hitung > tabel, maka H1 diterima

6. Bila hitung < tabel, maka H0 diterima
7. Melakukan uji signifikansi menggunakan uji Z
 Daftar Pustaka

Antony Stewart. 2016. Basic Statistics and Epidemiology: A Practical Guide.

Fourth Edition. United Kingdom: CRC Press. International Standard Book
Number-13: 978-1-4987-8354-5

Hasan, Iqbal.2008. Analisis Data Penelitian Statistik. Jakarta: Bumi Aksara

Hasibuan, Nailul. 2015. Uji Korelasi

John Edward Villacorta. 2012. Spearmans Correlation

John H. Mcdonald. 2014. Handbook of Biological Statistics Third Edition.

University Of Delaware. Baltimore, Maryland, U.S.A. : Sparky House
Publishing

Madsen, V., T.J.S. Balsby, T. Dabelsteen, and J.L. Osorno. 2004. Bimodal
Signaling of A Sexually Selected Trait: Gular Pouch Drumming in The
Magnificent Frigatebird. Condor 106: 156-160.

Melfi, V., and F. Poyser. 2007. Trichuris Burdens in Zoo-Housed Colobus

Guereza. International Journal of Primatology 28: 1449-1456.

Muniandy, Sumita. 2011. Analisis Korelasi Spearman. Fakultas Kedokteran

Universitas Sumatera Utara. Sumatera Utara

Murray R. Spiegel Larry Stephens. 2004. Statistik. Edisi Ke-3. Diterjemahkan

oleh: Wiwit kastawan dan Irzam harmein. Jakarta: PT Gelora Aksara
Pratama Erlangga.

Najma. 2013. Langkah Uji Korelasi Spearman. Universitas Sriwijaya. Sumatera

Selatan

Nugroho, Sigit; Akbar, Syahrul; dan Vusvitasari, Resi. 2008. Kajian Hubungan
Koefisien Korelasi Pearson (r), Spearman-rho, Kendall-Tau, Gamma, dan
Somers. Universitas Bengkulu, Indonesia. Jurnal Gradien Vol.4 No.2: 372-
381

Pradeka, Rangga; Setiawan, Adi; Linawati, Lilik. 2012. Studi Simulasi Uji
Koefisien Korelasi Spearman dan Kendall Dari Sampel yang Dibangkitkan
Berdasarkan Estimasi Densitas Kernel Multivariat. Salatiga. Isbn : 978-
979-16353-8-7

Sugiyono. 2009. Metode Penelitian Bisnis (Pendekatan Kuantitatif, Kualitatif,

dan R&D). Bandung: Alfabeta
Sugiyono. 2012. Memahami Penelitian Kualitatif. Bandung : Alfabeta

Usman, H. 2006. Pengantar Statistika. Jakarta: Bumi Aksara