1. Secara Visual
2. Metode Korelasi Pearson

 

Secara Visual

 

Berdasarkan gambar di atas, apabila data dari 2 variabel (yang divisualisasikan sebagai koordinat x dan y ) dapat terlihat seakan-akan dapat direpresentasikan sebagai garis lurus yang miring ke kanan atau miring ke kiri maka diantara 2 variabel tersebut terdapat hubungan.

Jika data yang berupa titik terlihat seperti garis yang miring ke kanan, maka hubungannya positif. Contoh : semakin tinggi gaji, semakin tinggi pengeluaran.

Jika data yang berupa titik terlihat seperti garis yang miring ke kiri, maka hubungannya negatif. Contoh : semakin tinggi gaji, semakin turun frekuensi makan di warteg.

Metode Pearson

Untuk data yang besar, kita mungkin akan kesulitan menentukan apakah data dapat diwakili oleh garis yang miring. Kemudian mungkin kita juga akan kesulitan apabila menentukan antara korelasi x dan z dengan y dan z, hubungan mana yang lebih positif?

Oleh karena itu, penentuan korelasi akan lebih presisi dengan menggunakan rumus. Seperti misalnya rumus korelasi Pearson berikut ini :

 

note : kalau dilihat, pada bagian pembilang rumus korelasi pearson mirip dengan rumus covarians. Selain itu, pembagian dengan standard deviasi juga sering kita jumpai untuk menormalisasi data.

 

Rumus – Rumus Korelasi Lainnya

note : korelasi tidak menjelaskan sebab akibat karena apabila kita inputkan data x, kita tidak tahu berapa data y.

(under revision)