<\/p>\n
Anda dapat menggunakan fungsi cor()<\/strong> di R untuk menghitung koefisien korelasi antar variabel.<\/span><\/p>\n Berikut cara paling umum untuk menggunakan fitur ini:<\/span><\/p>\n Metode 1: menghitung koefisien korelasi Pearson antara dua variabel<\/strong><\/span><\/p>\n Gunakan koefisien korelasi Pearson ketika menghitung korelasi antara dua variabel kontinu. (misalnya tinggi dan berat badan)<\/span><\/p>\n Metode 2: Hitung koefisien korelasi Pearson antara semua variabel numerik dalam kerangka data<\/strong><\/span><\/p>\n Metode ini akan mengembalikan matriks korelasi<\/a> yang berisi koefisien korelasi Pearson antara setiap kombinasi variabel numerik berpasangan dalam bingkai data.<\/span><\/p>\n Metode 3: menghitung koefisien korelasi Spearman antara dua variabel<\/strong><\/span><\/p>\n Gunakan koefisien korelasi Spearman saat menghitung korelasi antara dua variabel yang diberi peringkat. (misalnya peringkat nilai ujian matematika siswa versus peringkat nilai ujian sains mereka di suatu kelas)<\/span><\/p>\n Metode 4: menghitung koefisien korelasi Kendall antara dua variabel<\/strong><\/span><\/p>\n Gunakan koefisien korelasi Kendall bila Anda ingin menggunakan korelasi Spearman tetapi ukuran sampelnya kecil dan terdapat banyak ikatan.<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan masing-masing metode dalam praktik dengan kerangka data berikut di R yang menunjukkan jumlah jam yang dihabiskan untuk belajar, jumlah ujian praktik yang diambil, dan nilai ujian akhir untuk delapan siswa berbeda:<\/span><\/p>\n Kode berikut menunjukkan cara menggunakan fungsi cor()<\/strong> untuk menghitung koefisien korelasi Pearson antara variabel jam<\/strong> dan skor<\/strong> :<\/span><\/p>\n Koefisien korelasi Pearson antara jam kerja<\/strong> dan skor<\/strong> ditemukan sebesar 0,86.<\/strong><\/span><\/p>\n Perhatikan bahwa jika ada nilai NA dalam bingkai data Anda, Anda dapat menggunakan argumen use=’complete.obs’<\/strong> untuk hanya menggunakan baris yang tidak memiliki nilai NA:<\/span><\/p>\n Kode berikut menunjukkan cara menggunakan fungsi cor()<\/strong> untuk membuat matriks korelasi yang berisi koefisien korelasi Pearson antara semua variabel numerik dalam bingkai data:<\/span><\/p>\n Berikut cara menafsirkan hasilnya:<\/span><\/p>\n Catatan<\/strong> : Koefisien korelasi Pearson antara masing-masing variabel dengan dirinya sendiri selalu 1, oleh karena itu setiap nilai sepanjang diagonal matriks korelasi adalah 1.<\/span><\/p>\n Kode berikut menunjukkan cara menggunakan fungsi cor()<\/strong> untuk menghitung koefisien korelasi Spearman antara variabel jam<\/strong> dan prac_exams<\/b> :<\/span><\/p>\n Koefisien korelasi Spearman antara jam<\/strong> dan latihan_ujian<\/b> ternyata sebesar -0,125.<\/strong><\/span><\/p>\n Kode berikut menunjukkan cara menggunakan fungsi cor()<\/strong> untuk menghitung koefisien korelasi Kendall antara variabel jam<\/strong> dan prac_exams<\/b> :<\/span><\/p>\n Koefisien korelasi Kendall antara jam<\/strong> dan latihan_ujian<\/b> ternyata sebesar -0,123.<\/strong><\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Cara menghitung korelasi geser di R<\/a> Anda dapat menggunakan fungsi cor() di R untuk menghitung koefisien korelasi antar variabel. Berikut cara paling umum untuk menggunakan fitur ini: Metode 1: menghitung koefisien korelasi Pearson antara dua variabel cor(df$x, df$y) Gunakan koefisien korelasi Pearson ketika menghitung korelasi antara dua variabel kontinu. (misalnya tinggi dan berat badan) Metode 2: Hitung koefisien korelasi Pearson antara […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n cor(df$x, df$y)<\/strong><\/pre>\n
cor(df)<\/strong><\/pre>\n
cor(df$x, df$y, method=' spearman<\/span> ')<\/strong><\/pre>\n cor(df$x, df$y, method=' kendall<\/span> ')<\/strong><\/pre>\n #create data frame\n<\/span>df <- data. frame<\/span> (hours=c(1, 1, 3, 2, 4, 3, 5, 6),\n prac_exams=c(4, 3, 3, 2, 3, 2, 1, 4),\n score=c(69, 74, 74, 70, 89, 85, 99, 90))\n\n#view data frame\n<\/span>df\n\n hours prac_exams score\n1 1 4 69\n2 1 3 74\n3 3 3 74\n4 2 2 70\n5 4 3 89\n6 3 2 85\n7 5 1 99\n8 6 4 90\n<\/span><\/span><\/strong><\/pre>\n Contoh 1: Hitung koefisien korelasi Pearson antara dua variabel<\/strong><\/span><\/h2>\n
#calculate Pearson correlation coefficient between hours and score<\/span>\ncor(df$hours, df$score)\n\n[1] 0.8600528\n<\/strong><\/pre>\n #calculate Pearson correlation coefficient and ignore any rows with NA<\/span>\ncor(df$hours, df$score, use=' complete.obs<\/span> ')<\/strong><\/pre>\n Contoh 2: Hitung koefisien korelasi Pearson antara semua variabel numerik<\/strong><\/span><\/h2>\n
#calculate Pearson correlation coefficient between all numeric variables<\/span>\ncor(df)\n\n hours prac_exams score\nhours 1.0000000 -0.1336063 0.8600528\nprac_exams -0.1336063 1.0000000 -0.3951028\nscore 0.8600528 -0.3951028 1.0000000\n<\/strong><\/pre>\n\n
Contoh 3: Hitung koefisien korelasi Spearman antara dua variabel<\/strong><\/span><\/h2>\n
#calculate Spearman correlation coefficient between hours and prac_exams<\/span>\ncor(df$hours, df$prac_exams, method=' spearman<\/span> ')\n\n[1] -0.1250391\n<\/strong><\/pre>\n Contoh 4: Hitung koefisien korelasi Kendall antara dua variabel<\/strong><\/span><\/h2>\n
#calculate Kendall's correlation coefficient between hours and prac_exams<\/span>\ncor(df$hours, df$prac_exams, method=' kendall<\/span> ')\n\n[1] -0.1226791\n<\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara menghitung autokorelasi di R<\/a>
Cara menghitung korelasi parsial di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"