Cara Analisis Korelasi dengan SmartstatXL Excel Add-in

Analisis Korelasi Pearson adalah metode statistik yang digunakan untuk mengukur kekuatan dan arah hubungan antara dua variabel kuantitatif. Pentingnya analisis ini dalam penelitian statistik tidak dapat diabaikan, karena dapat membantu kita memahami sejauh mana variabel-variabel tersebut saling mempengaruhi. Dengan SmartstatXL, melakukan analisis Korelasi Pearson menjadi lebih mudah dan efisien.

Tampilan output nilai korelasi disajikan dalam bentuk matriks korelasi yang telah dilengkapi dengan tanda signifikansi. Nilai korelasi yang signifikan ditandai dengan asterik (*) dan diwarnai merah. Anda memiliki pilihan untuk menampilkan output dalam bentuk nilai korelasi (r) atau nilai signifikansi (nilai peluang).

Untuk versi berbayar, mulai dari Basic Edition, Anda bahkan dapat memilih apakah output akan dilengkapi dengan Diagram Sebar (Scatter Plot) atau tidak. Sama seperti pada Analisis Deskriptif, output dapat dikelompokkan berdasarkan kategori tertentu. Dengan demikian, SmartstatXL menjadi alat yang sangat berguna untuk memudahkan proses analisis data Anda.

Langkah-langkah Analisis Korelasi

1. Aktifkan lembar kerja (Sheet) yang akan dianalisis.
2. Tempatkan kursor pada dataset (untuk membuat dataset, lihat cara Persiapan Data).
3. Apabila sel aktif (Active Cell) tidak berada pada Dataset, SmartstatXL otomatis akan mencoba menentukan Dataset secara otomatis.
4. Aktifkan Tab SmartstatXL
5. Klik pada menu Korelasi.
   
6. SmartstatXL akan menampilkan kotak dialog untuk memastikan apakah Dataset sudah benar atau belum (biasanya alamat sel Dataset sudah otomatis dipilih dengan benar).
   
7. Jika sudah benar, Klik Tombol Selanjutnya
8. Selanjutnya akan tampil Kotak Dialog Analisis Korelasi. Pilih Variabel yang akan dianalisis
   
   
9. Jika nilai statistik akan dikelompokkan berdasarkan kategori tertentu, Centang kotak cek ”Grup berdasarkan” dan pilih Variabel yang akan dijadikan sebagai Kategori/Grup.
   
10. Apabila ingin melihat nilai peluangnya, aktifkan kotak cek ”Tampilkan nilai p” dengan mencentangnya.
11. Centang kotak cek ”Diagram Tebar” untuk menyertakan Chart Scatter Plot pada lembar output.
12. Selanjutnya Tekan tombol ”OK”

Hasil Analisis Korelasi

Matriks Korelasi Pearson dan Tabel Pasangan Korelasi

Tanpa dikategorikan berdasarkan Variabel tertentu

Berikut adalah interpretasi untuk hasil analisis korelasi tersebut:

Analisis korelasi Pearson digunakan untuk mengukur kekuatan dan arah hubungan antara dua variabel. Dalam tabel matriks korelasi ini, kita dapat melihat hubungan antara berbagai variabel seperti kedalaman (Depth_m), komposisi tanah (Sand, Silt, Clay), kepadatan massa (BD), dan permeabilitas.

• Kedalaman (Depth_m) memiliki korelasi negatif yang signifikan dengan Sand (-0.68) dan Permeability (-0.56), yang berarti bahwa semakin dalam kedalaman, komposisi pasir dan permeabilitas cenderung menurun. Sementara itu, kedalaman memiliki korelasi positif yang signifikan dengan Clay (0.43), yang berarti bahwa semakin dalam kedalaman, komposisi lempung cenderung meningkat.
• Sand memiliki korelasi negatif yang signifikan dengan Silt (-0.44), Clay (-0.58), dan Depth_m (-0.68), tetapi memiliki korelasi positif yang signifikan dengan Permeability (0.50). Ini menunjukkan bahwa semakin tinggi komposisi pasir, komposisi silt, lempung, dan kedalaman cenderung menurun, sementara permeabilitas cenderung meningkat.

Dalam konteks ini, penting untuk dicatat bahwa korelasi tidak menunjukkan sebab-akibat. Meskipun ada hubungan antara variabel-variabel ini, kita tidak dapat menyimpulkan bahwa perubahan dalam satu variabel menyebabkan perubahan dalam variabel lainnya berdasarkan analisis korelasi ini saja.

Dikategorikan berdasarkan variabel tertentu

Tabel ini menunjukkan matriks korelasi antara komposisi tanah (Sand, Silt, Clay), kepadatan massa (BD), dan permeabilitas untuk dua tipe bahan induk, yaitu Andesitic dan Basaltic.

Untuk bahan induk Andesitic:

• Sand memiliki korelasi positif yang signifikan dengan BD (0.73), yang berarti bahwa semakin tinggi komposisi pasir, kepadatan massa cenderung meningkat. Sementara itu, Sand memiliki korelasi positif dengan Permeability (0.45), tetapi tidak signifikan.
• Silt tidak menunjukkan korelasi yang signifikan dengan BD dan Permeability.
• Clay memiliki korelasi negatif dengan BD (-0.46) dan Permeability (-0.47), tetapi tidak signifikan. Ini berarti bahwa semakin tinggi komposisi lempung, kepadatan massa dan permeabilitas cenderung menurun.

Untuk bahan induk Basaltic:

• Sand memiliki korelasi positif dengan BD (0.29) dan Permeability (0.57), tetapi hanya korelasi dengan Permeability yang signifikan. Ini berarti bahwa semakin tinggi komposisi pasir, permeabilitas cenderung meningkat.
• Silt memiliki korelasi negatif dengan BD (-0.41) dan Permeability (-0.25), tetapi tidak signifikan.
• Clay memiliki korelasi positif yang tidak signifikan dengan BD (0.05) dan korelasi negatif yang tidak signifikan dengan Permeability (-0.40).

Dalam konteks ini, penting untuk dicatat bahwa korelasi tidak menunjukkan sebab-akibat. Meskipun ada hubungan antara variabel-variabel ini, kita tidak dapat menyimpulkan bahwa perubahan dalam satu variabel menyebabkan perubahan dalam variabel lainnya berdasarkan analisis korelasi ini saja.

ScatterPlot

Dalam analisis berikut, kita akan mengeksplorasi hubungan antara komposisi tanah (Sand, Silt, Clay), bobot isi (BD), dan permeabilitas dengan menggunakan scatterplot. Scatter plot, merupakan alat yang efektif untuk menunjukkan korelasi antara dua variabel. Setiap titik pada plot mewakili pengamatan individu. Selain itu, kita juga bisa menambahkan trendline untuk memberikan gambaran umum tentang arah dan kekuatan hubungan antara variabel-variabel tersebut.

Setiap scatter plot juga dilengkapi dengan nilai korelasi, yang memberikan ukuran numerik dari kekuatan dan arah hubungan antara dua variabel. Dengan memahami nilai korelasi ini, kita dapat lebih memahami hubungan antara variabel-variabel tersebut.

Tanpa dikategorikan berdasarkan variabel tertentu

Scatter plot tidak dikelompokkan berdasarkan kategori variabel tertentu. Ini akan memberikan kita gambaran umum tentang hubungan antara variabel-variabel tersebut

Dikategorikan berdasarkan variabel tertentu:

Scatter plot dikelompokkan berdasarkan jenis bahan induk. Ini akan memungkinkan kita untuk melihat bagaimana hubungan antara variabel-variabel tersebut berubah berdasarkan jenis bahan induk.

Dengan membandingkan kedua plot ini, kita dapat memahami bagaimana jenis bahan induk mempengaruhi hubungan antara komposisi tanah, bobot isi tanah, dan permeabilitas.