{"id":433,"date":"2023-07-29T23:15:25","date_gmt":"2023-07-29T23:15:25","guid":{"rendered":"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/"},"modified":"2023-07-29T23:15:25","modified_gmt":"2023-07-29T23:15:25","slug":"koefisien-korelasi-pearson","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/","title":{"rendered":"Koefisien korelasi pearson"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\"><strong>Koefisien korelasi Pearson<\/strong> (juga dikenal sebagai \u201ckoefisien korelasi momen produk\u201d) adalah ukuran hubungan linier antara dua variabel <em>X<\/em> dan <em>Y.<\/em> Nilainya antara -1 dan 1 dengan:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">-1 menunjukkan korelasi linier negatif sempurna antara dua variabel<\/span><\/li>\n<li> <span style=\"color: #000000;\">0 menunjukkan tidak ada korelasi linier antara dua variabel<\/span><\/li>\n<li> <span style=\"color: #000000;\">Angka 1 menunjukkan korelasi linier positif sempurna antara dua variabel<\/span><\/li>\n<\/ul>\n<h2> <strong><span style=\"color: #000000;\">Rumus mencari koefisien korelasi Pearson<\/span><\/strong><\/h2>\n<p> <span style=\"color: #000000;\">Rumus mencari koefisien korelasi Pearson yang dilambangkan <em>r<\/em> untuk sampel data adalah ( <a href=\"https:\/\/en.wikipedia.org\/wiki\/Pearson_correlation_coefficient\" target=\"_blank\" rel=\"noopener\">melalui Wikipedia<\/a> ):<\/span><\/p>\n<p> <span style=\"color: #000000;\">Anda mungkin tidak perlu menghitung rumus ini secara manual karena Anda dapat menggunakan perangkat lunak untuk melakukannya, namun akan sangat membantu jika Anda memahami fungsi sebenarnya rumus ini dengan melihat contohnya.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalkan kita memiliki kumpulan data berikut:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-4985 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correlationexemple.jpg\" alt=\"\" width=\"135\" height=\"154\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Jika kita memplot pasangan ini (X, Y) pada plot sebar, maka akan terlihat seperti ini:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1532 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl1-1.jpg\" alt=\"Contoh korelasi Pearson pada diagram sebar\" width=\"455\" height=\"362\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Hanya dengan melihat scatterplot ini, kita dapat melihat bahwa terdapat hubungan positif antara variabel X dan Y: seiring dengan bertambahnya X, maka Y juga cenderung meningkat.<\/span> <span style=\"color: #000000;\">Namun untuk mengukur dengan tepat seberapa positif kedua variabel ini berhubungan, kita perlu mencari koefisien korelasi Pearson.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Mari kita fokus saja pada pembilang rumusnya:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk setiap pasangan (X, Y) dalam kumpulan data kita, kita perlu mencari selisih antara nilai x dan nilai rata-rata x, selisih antara nilai y dan nilai rata-rata y, lalu mengalikan kedua angka tersebut.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya pasangan pertama kita (X, Y) adalah (2, 2). Nilai rata-rata x pada kumpulan data ini adalah 5 dan nilai rata-rata y pada kumpulan data ini adalah 7. Jadi selisih antara nilai x pasangan ini dengan nilai rata-rata x adalah 2 \u2013 5 = -3. Selisih antara nilai y pasangan ini dengan nilai rata-rata y adalah 2 \u2013 7 = -5. Lalu jika kita mengalikan kedua bilangan tersebut kita mendapatkan -3 * -5 = 15.<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1528 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl3.jpg\" alt=\"Korelasi Pearson dengan tangan\" width=\"409\" height=\"157\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Berikut gambaran visual tentang apa yang baru saja kami lakukan:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1533 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl3-1.jpg\" alt=\"Contoh Korelasi Pearson\" width=\"457\" height=\"356\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Kemudian lakukan saja ini untuk setiap pasangan:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1534 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl5.jpg\" alt=\"Contoh Korelasi Pearson\" width=\"414\" height=\"156\" srcset=\"\" sizes=\"\"><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1535 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl6.jpg\" alt=\"Contoh korelasi Pearson pada diagram sebar\" width=\"447\" height=\"352\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Langkah terakhir untuk mendapatkan pembilang rumusnya adalah dengan menjumlahkan semua nilai ini:<\/span><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">15 + 3 +3 + 15 = <strong>36<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Kemudian penyebut rumusnya menyuruh kita mencari jumlah semua selisih kuadrat untuk x dan y, lalu kalikan kedua angka tersebut, lalu ambil akar kuadratnya:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Pertama kita cari jumlah kuadrat selisih x dan y:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1537 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl7.jpg\" alt=\"\" width=\"529\" height=\"137\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Selanjutnya, kita kalikan kedua angka ini: 20 * 68 = 1,360.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Terakhir, kita ambil akar kuadratnya: \u221a <span style=\"text-decoration: overline;\">1,360<\/span> = <strong>36,88<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Jadi kita menemukan bahwa pembilang rumusnya adalah 36 dan penyebutnya adalah 36,88. Artinya koefisien korelasi Pearson kita adalah r = 36 \/ 36,88 = <strong>0,976<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Angka ini mendekati 1, menunjukkan bahwa terdapat hubungan linier positif yang kuat antara variabel <em>X<\/em> dan <em>Y.<\/em> Hal ini menegaskan hubungan yang kami amati dalam diagram sebar.<\/span><\/p>\n<h2> <strong><span style=\"color: #000000;\">Lihat korelasi<\/span><\/strong><\/h2>\n<p> <span style=\"color: #000000;\">Ingatlah bahwa koefisien korelasi Pearson menunjukkan <strong>jenis<\/strong> hubungan linier (positif, negatif, tidak ada) antara dua variabel serta <strong>kekuatan<\/strong> hubungan tersebut (lemah, sedang, kuat).<\/span><\/p>\n<p> <span style=\"color: #000000;\">Saat kita membuat scatterplot dua variabel, kita dapat <em>melihat<\/em> hubungan nyata antara dua variabel. Berikut adalah berbagai jenis hubungan linier yang mungkin kita amati:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Hubungan yang kuat dan positif:<\/strong> Semakin besar variabel pada sumbu x, maka variabel pada sumbu y juga meningkat. Poin-poin tersebut berkerumun erat, menunjukkan hubungan yang kuat.<\/span> <span style=\"color: #000000;\"><img decoding=\"async\" loading=\"lazy\" class=\"wp-image-616 size-full aligncenter\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pos_strong.jpg\" alt=\"\" width=\"323\" height=\"301\" srcset=\"\" sizes=\"\"><\/span><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">Koefisien korelasi Pearson: <strong>0,94<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Hubungan lemah dan positif:<\/strong> Semakin besar variabel pada sumbu x, maka variabel pada sumbu y juga meningkat. Titik-titiknya cukup tersebar, menunjukkan hubungan yang lemah.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-618 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pos_faible.jpg\" alt=\"\" width=\"323\" height=\"297\" srcset=\"\" sizes=\"\"><\/span><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">Koefisien korelasi Pearson: <strong>0,44<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Tidak ada hubungan:<\/strong> Tidak ada hubungan yang jelas (positif atau negatif) antar variabel.<\/span> <\/p>\n<p style=\"text-align: center;\"><img decoding=\"async\" loading=\"lazy\" class=\"wp-image-621 size-full aligncenter\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/aucun.jpg\" alt=\"\" width=\"324\" height=\"296\" srcset=\"\" sizes=\"\"><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">Koefisien korelasi Pearson: <strong>0,03<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Hubungan kuat dan negatif:<\/strong> Semakin besar variabel pada sumbu x, maka variabel pada sumbu y berkurang. Poin-poinnya tersusun rapat, menunjukkan hubungan yang kuat.<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-622 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/neg_strong.jpg\" alt=\"\" width=\"321\" height=\"297\" srcset=\"\" sizes=\"\"><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">Koefisien korelasi Pearson: <strong>-0,87<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Hubungan lemah dan negatif:<\/strong> Semakin besar variabel pada sumbu x, maka variabel pada sumbu y berkurang. Titik-titiknya cukup tersebar, menunjukkan hubungan yang lemah.<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-625 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/negatif_faible.jpg\" alt=\"\" width=\"324\" height=\"296\" srcset=\"\" sizes=\"\"><\/p>\n<p style=\"text-align: center;\"> <span style=\"color: #000000;\">Koefisien korelasi Pearson: \u2013 <strong>0,46<\/strong><\/span><\/p>\n<h2> <strong>Menguji signifikansi koefisien korelasi Pearson<\/strong><\/h2>\n<p> <span style=\"color: #000000;\">Saat kita menemukan koefisien korelasi Pearson untuk sekumpulan data, kita sering kali menggunakan <em>sampel<\/em> data dari <em>populasi<\/em> yang lebih besar. Artinya, korelasi bukan nol dapat ditemukan untuk dua variabel meskipun kedua variabel tersebut sebenarnya tidak berkorelasi dalam populasi secara keseluruhan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, kita membuat plot sebar untuk variabel <em>X<\/em> dan <em>Y<\/em> untuk setiap titik data di seluruh populasi dan tampilannya seperti ini:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1543 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl12.jpg\" alt=\"Contoh korelasi nol\" width=\"466\" height=\"251\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Jelas bahwa kedua variabel ini tidak berkorelasi. Namun, ada kemungkinan ketika kita mengambil sampel 10 titik dari populasi, kita memilih titik-titik berikut:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1544 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl13.jpg\" alt=\"Contoh Korelasi\" width=\"460\" height=\"244\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Kita dapat melihat bahwa koefisien korelasi Pearson untuk titik sampel ini adalah 0,93, menunjukkan korelasi positif yang kuat meskipun korelasi populasinya nol.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk menguji apakah suatu korelasi antara dua variabel signifikan atau tidak secara statistik, kita dapat menemukan statistik uji berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Statistik uji T = r * \u221a <span style=\"text-decoration: overline;\">(n-2) \/ (1-r <sup>2<\/sup> )<\/span><\/span><\/p>\n<p> <span style=\"color: #000000;\">di mana <em>n<\/em> adalah jumlah pasangan dalam sampel kita, <em>r<\/em> adalah koefisien korelasi Pearson, dan statistik uji T mengikuti distribusi dengan n-2 derajat kebebasan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Mari kita tinjau contoh cara menguji signifikansi koefisien korelasi Pearson.<\/span><\/p>\n<h3> <strong><span style=\"color: #000000;\">Contoh<\/span><\/strong><\/h3>\n<p> <span style=\"color: #000000;\">Kumpulan data berikut menunjukkan tinggi dan berat badan 12 orang:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-4986 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correlationexemple2.jpg\" alt=\"\" width=\"193\" height=\"266\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Plot sebar di bawah ini menunjukkan nilai kedua variabel tersebut:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1547 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl15.jpg\" alt=\"Plot Sebar Korelasi\" width=\"461\" height=\"335\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Koefisien korelasi Pearson kedua variabel tersebut adalah r = 0,836.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Statistik uji T = 0,836 * \u221a <span style=\"text-decoration: overline;\"><span style=\"color: #000000; text-decoration: overline;\">(12<\/span> -2) \/ (1-0,836 <sup>2<\/sup> )<\/span> = 4,804.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Menurut kalkulator distribusi t kami, skor 4,804 dengan 10 derajat kebebasan memiliki nilai p 0,0007. Karena 0,0007 &lt; 0,05, kita dapat menyimpulkan bahwa korelasi antara berat badan dan tinggi badan dalam contoh ini signifikan secara statistik pada alfa = 0,05.<\/span><\/p>\n<h2> <strong><span style=\"color: #000000;\">Tindakan pencegahan<\/span><\/strong><\/h2>\n<p> <span style=\"color: #000000;\">Meskipun koefisien korelasi Pearson dapat berguna untuk mengetahui apakah dua variabel mempunyai hubungan linier atau tidak, kita perlu mengingat tiga hal saat menafsirkan koefisien korelasi Pearson:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1. Korelasi tidak berarti sebab akibat.<\/strong> Hal ini bukan karena dua variabel berkorelasi sehingga variabel yang satu <em>menyebabkan<\/em> variabel yang lain lebih sering atau lebih jarang muncul. Contoh klasiknya adalah korelasi positif antara penjualan es krim dan serangan hiu. Ketika penjualan es krim meningkat pada waktu-waktu tertentu dalam setahun, serangan hiu juga cenderung meningkat.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Apakah ini berarti makan es krim <em>menyebabkan<\/em> serangan hiu? Tentu saja tidak! Artinya di musim panas, konsumsi es dan serangan hiu cenderung meningkat, karena es lebih populer di musim panas dan lebih banyak orang pergi ke laut selama musim panas.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2. Korelasi sensitif terhadap outlier.<\/strong> Pencilan ekstrim dapat mengubah koefisien korelasi Pearson secara signifikan. Perhatikan contoh di bawah ini:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1539 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl9.jpg\" alt=\"Contoh Pencilan Korelasi\" width=\"454\" height=\"306\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Variabel <em>X<\/em> dan <em>Y<\/em> mempunyai koefisien korelasi Pearson sebesar <strong>0,00<\/strong> . Tapi bayangkan kita memiliki pencilan dalam kumpulan data:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1540 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl10.jpg\" alt=\"Contoh Korelasi Pearson\" width=\"456\" height=\"305\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Namun koefisien korelasi Pearson kedua variabel tersebut sebesar <strong>0,878<\/strong> . Pencilan yang satu ini mengubah segalanya. Inilah sebabnya, saat menghitung korelasi dua variabel, sebaiknya visualisasikan variabel tersebut menggunakan plot sebar untuk memeriksa outlier.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>3. Koefisien korelasi Pearson tidak menggambarkan hubungan nonlinier antara dua variabel.<\/strong> Bayangkan kita mempunyai dua variabel dengan hubungan sebagai berikut:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-1541 size-full\" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correl11.jpg\" alt=\"Korelasi untuk hubungan nonlinier\" width=\"448\" height=\"307\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Koefisien korelasi Pearson kedua variabel tersebut sebesar 0,00 karena tidak mempunyai hubungan linier. Namun, kedua variabel ini memiliki hubungan non-linier: nilai y hanyalah nilai x yang dikuadratkan.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Saat menggunakan koefisien korelasi Pearson, ingatlah bahwa Anda hanya menguji apakah dua variabel berhubungan <em>linier<\/em> . Sekalipun koefisien korelasi Pearson menunjukkan bahwa dua variabel tidak berkorelasi, keduanya mungkin masih mempunyai hubungan nonlinier. Ini adalah alasan lain mengapa membuat diagram sebar berguna saat menganalisis hubungan antara dua variabel: ini dapat membantu Anda mendeteksi hubungan nonlinier.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Koefisien korelasi Pearson (juga dikenal sebagai \u201ckoefisien korelasi momen produk\u201d) adalah ukuran hubungan linier antara dua variabel X dan Y. Nilainya antara -1 dan 1 dengan: -1 menunjukkan korelasi linier negatif sempurna antara dua variabel 0 menunjukkan tidak ada korelasi linier antara dua variabel Angka 1 menunjukkan korelasi linier positif sempurna antara dua variabel Rumus [&hellip;]<\/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":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Koefisien Korelasi Pearson - Statorial<\/title>\n<meta name=\"description\" content=\"Tutorial ini menjelaskan cara mencari koefisien korelasi Pearson, yang merupakan ukuran hubungan linier antara dua variabel X dan Y.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Koefisien Korelasi Pearson - Statorial\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini menjelaskan cara mencari koefisien korelasi Pearson, yang merupakan ukuran hubungan linier antara dua variabel X dan Y.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-29T23:15:25+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correlationexemple.jpg\" \/>\n<meta name=\"author\" content=\"Benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Ditulis oleh\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Estimasi waktu membaca\" \/>\n\t<meta name=\"twitter:data2\" content=\"5 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/\",\"url\":\"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/\",\"name\":\"Koefisien Korelasi Pearson - Statorial\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-29T23:15:25+00:00\",\"dateModified\":\"2023-07-29T23:15:25+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini menjelaskan cara mencari koefisien korelasi Pearson, yang merupakan ukuran hubungan linier antara dua variabel X dan Y.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Koefisien korelasi pearson\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/id\/#website\",\"url\":\"https:\/\/statorials.org\/id\/\",\"name\":\"Statorials\",\"description\":\"Panduan anda untuk kompetensi statistik!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/id\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"id\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\",\"name\":\"Benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"id\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin anderson\"},\"description\":\"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya\",\"sameAs\":[\"http:\/\/statorials.org\/id\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Koefisien Korelasi Pearson - Statorial","description":"Tutorial ini menjelaskan cara mencari koefisien korelasi Pearson, yang merupakan ukuran hubungan linier antara dua variabel X dan Y.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/","og_locale":"id_ID","og_type":"article","og_title":"Koefisien Korelasi Pearson - Statorial","og_description":"Tutorial ini menjelaskan cara mencari koefisien korelasi Pearson, yang merupakan ukuran hubungan linier antara dua variabel X dan Y.","og_url":"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/","og_site_name":"Statorials","article_published_time":"2023-07-29T23:15:25+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/correlationexemple.jpg"}],"author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"5 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/","url":"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/","name":"Koefisien Korelasi Pearson - Statorial","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-29T23:15:25+00:00","dateModified":"2023-07-29T23:15:25+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini menjelaskan cara mencari koefisien korelasi Pearson, yang merupakan ukuran hubungan linier antara dua variabel X dan Y.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/koefisien-korelasi-pearson\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Koefisien korelasi pearson"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/id\/#website","url":"https:\/\/statorials.org\/id\/","name":"Statorials","description":"Panduan anda untuk kompetensi statistik!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/id\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"id"},{"@type":"Person","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81","name":"Benjamin anderson","image":{"@type":"ImageObject","inLanguage":"id","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Benjamin anderson"},"description":"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya","sameAs":["http:\/\/statorials.org\/id"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/433"}],"collection":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/comments?post=433"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/433\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=433"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=433"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=433"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}