Langsung ke konten utama

Visualisasi Matriks Korelasi dan Uji Signifikansi Korelasi antar Variabel dengan R

Visualisasi matriks korelasi dan uji signifikansi korelasi variabel

Hai teman-teman, kembali lagi kita akan belajar bersama-sama. Kalau kemarin kita sedikit serius membahas bagaimana pemodelan ARIMA dengan menggunakan R secara cukup urut dan rinci, kali ini kita break dulu untuk membahas visualisasi data.

Visualisasi yang akan kita ulas kali ini adalah hasil korelasi antar variabel yang kita gunakan dalam penelitian. Secara sederhana, korelasi sendiri merupakan besarnya hubungan keeratan antara suatu variabel dengan variabel lainnya yang ditunjukkan oleh besar dan arah. Mirip dengan pengertian besaran vektor yang juga ditunjukkan oleh besar dan arahnya, korelasi biasanya digunakan sebagai awalan deskripsi variabel penelitian untuk melihat seberapa besar keterkaitan antar variabel. Aspek yang perlu ditekankan sebagai pembeda antara korelasi dan regresi yaitu tujuannya. Kalau regresi menunjukkan hubungan sebab-akibat variabel yang digunakan, sedangkan kalau korelasi tidak menunjukkan sebab-akibat.

Seperti yang kita ketahui, korelasi yang populer hingga saat ini adalah korelasi Spearman atau disebut pula korelasi Rank Spearman dan korelasi Pearson atau disebut juga korelasi moment product. Perbedaan dari dua jenis korelasi ini umumnya pada jenis penelitiannya, kalau korelasi Pearson biasa digunakan untuk data-data parametrik atau data kontinu serta diksrit. Sedangkan korelasi Spearman biasanya digunakan untuk data-data nonparametrik baik kontinu maupun diskrit.

Adapun persamaan dari kedua jenis korelasi tersebut adalah pada besarnnya. Baik korelasi Spearman maupun korelasi Pearson, keduanya memiliki nilai korelasi pada selang interval 0 sampai 1. Semakin menuju 1, korelasi antara dua variabel dikatakan semakin kuat dan dalam praktiknya, para ahli statistika kemudian melakukan pengelompokan kekuatan korelasi menjadi beberapa tingkatan.

Untuk korelasi yang bernilai 0 dikatakan bahwa kedua variabel tidak berkorelasi. Bila nilai korelasi 0,01 - 0,20 dikatakan berkorelasi sangat rendah, korelasi 0,21 - 0,40 dikatakan berkorelasi rendah, 0,41 - 0,60 dikatakan agak rendah, 0,61 - 0,80 dikatakan korelasinya cukup, 0,81 - 0,99 dikatakan korelasinya tinggi, dan 1 berkorelasi sangat tinggi (sempurna). Selain pengelompokkan seperti ini, pengelompokan lainnya juga banyak dilakukan namun esensinya sama, semakin menuju 1 maka korelasi dua variabel dikatakan semakin kuat.

Perihal arah korelasi, sebenarnya ia hanya menunjukkan arah kecenderungan dalam interpretasinya. Bukan menunjukkan sebab dan akibat. Dalam hukum permintaan (product demand) misalkan, ketika harga barang semakin tinggi (mahal), permintaan konsumen akan cenderung menurun. Pada kasus ini dikatakan korelasinya memiliki arah negatif. Atau pada kasus lain misalkan, semakin tinggi lama pendidikan seseorang, maka ada kecenderungan konsumsi mereka semakin tinggi (banyak). Pada kasus ini dikatakan korelasinya memiliki arah yang positif.

Lantas? Bagaimana penerapan visualisasi sekaligus uji signifikansi korelasi banyak variabel dengan R? Untuk datanya kali ini kita akan men-generate data sendiri kemudian kita lakukan visualisasi matriks korelasi berikut dengan uji signifikansi korelasinya dengan menggunakan beberapa code berikut:

Code:

#Membuat Matriks Korelasi
#Membuat Data Frame
df <- data.frame(lamapendidikan=c(4, 5, 5, 6, 7, 8, 8, 10),
                 pengeluaran=c(12, 14, 14, 13, 15, 16, 15, 12),
                 pendapatan=c(22, 25, 26, 27, 29, 32, 39, 40))

#Menampilkan Data Frame
df

Hasil:

  lamapendidikan pengeluaran pendapatan
1              4          12         22
2              5          14         25
3              5          14         26
4              6          13         27
5              7          15         29
6              8          16         32
7              8          15         39
8             10          12         40

Code:

#Membuat Matriks Korelasi
cor(df)

Hasil:

              lamapendidikan pengeluaran pendapatan
lamapendidikan      1.0000000   0.1780213  0.9404385
pengeluaran         0.1780213   1.0000000  0.1646659
pendapatan          0.9404385   0.1646659  1.0000000

Terlihat bahwa korelasi antara pendapatan dan lama pendidikan arahnya positif dan cukup tinggi 0,9404385 sedangkan korelasi antara pengeluaran dan lama pendidikan sangat rendah dan positif 0,1780213, demikian halnya dengan korelasi pendapatan dan pengeluaran.

Code:

#Plot Matriks Korelasi
library(corrplot)
corrplot(cor(df))

Hasil:

visualisasi 1

Code:

#Mengcustome bentuk lain matriks korelasi
par(mfrow=c(2, 2))
corrplot(cor(df), method = "circle")
corrplot(cor(df), method = "pie")
corrplot(cor(df), method = "color")
corrplot(cor(df), method = "number")

Hasil:

Visualisasi 2

Code:

#Plot matriks korelasi dengan package ggcorrrplot
par(mfrow=c(1, 1))
library(ggcorrplot)
ggcorrplot(cor(df))

Hasil:

Visualisasi 3

Code:

#Menguji signifikansi korelasi
attach(df)
cor.test(lamapendidikan, pengeluaran)
cor.test(lamapendidikan, pendapatan)
cor.test(pengeluaran, pendapatan)

Hasil:

    Pearson's product-moment correlation

data:  lamapendidikan and pengeluaran
t = 0.44314, df = 6, p-value = 0.6732
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 -0.6021950  0.7843056
sample estimates:
      cor
0.1780213

    Pearson's product-moment correlation

data:  lamapendidikan and pendapatan
t = 6.776, df = 6, p-value = 0.0005049
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 0.6989819 0.9894208
sample estimates:
      cor
0.9404385

    Pearson's product-moment correlation

data:  pengeluaran and pendapatan
t = 0.40893, df = 6, p-value = 0.6968
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 -0.6108923  0.7789526
sample estimates:
      cor
0.1646659

Terlihat bahwa korelasi variabel yang signifikan hanya lama pendidikan dan pendapatan, selain tinggi dan positif korelasinya juga secara statistik signifikan.

Baik, demikian sedikit pembahasan kita terkait visualisasi korelasi antar variabel dan uji signifikansinya menggunakan R. Jangan lupa share dan bertanya bila ada di kolom komentar. Sampai jumpa pada unggahan selanjutnya. Selamat mempraktikkan!


Komentar

Postingan populer dari blog ini

Mencari P - Value dan Titik Kritis Uji F, Uji t, Uji Chi Square, dan Uji Z Normal dengan R

Mencari nilai p-value dan titik kritis Bagi teman-teman yang pernah mengenal statistika, pasti familier dengan istilah p-value dan titik kritis. P-value biasanya didefinisikan sebagai probabiltas atau peluang maksimal yang diamati dari hasil uji statistik, bahasa gampangnya adalah besarnya kesalahan penelitian berdasarkan uji statistik. Sebagai contoh sederhana, dari 100 orang dengan nama masing-masing dan diklasifikasikan ke dalam gender nama perempuan dan nama laki-laki, didapatkan nilai p-value uji statistiknya sebesar 0,05 atau 5%. Itu artinya, dari 100 orang, ada kemungkinan sebanyak 5 orang yang namanya salah klasifikasi. Dari namanya terdeteksi sebagai nama perempuan, padahal aktualnya yang bersangkutan bergender laki-laki. Sedangkan titik kritis atau titik uji adalah nilai batas pengujian hipotesis statistik, apakah masuk dalam wilayah tolak hipotesis, ataukah gagal menolaknya. Titik ini berkaitan erat dengan nilai p-value . Kalau biasanya kita mendapatkan kedua nilai ini da...

Cara Mendowload dan Install R serta RStudio di Windows (Step by Step)

Cara Download dan Install R serta R Studio di Windows Halo teman-teman, mohon maaf karena beberapa waktu ini, blog ini sempat vakum dari unggahan. Kali ini saya akan coba berbagai mengenai bagaimana cara mengunduh ( download ) dan menginstal ( install ) program R sekaligus R Studio khususnya di Windows. Unggahan kali ini sedikit terbalik karena semestinya saya unggah terlebih dahulu pertama kali di blog ini, namun bukan masalah, mengingat kemarin ada beberapa pihak yang meminta untuk menerangkap bagaimana tahapan mengunduh dan instalasi R dan R Studio, jadinya saya dahulukan pada unggahan ini sebelum pembahasan mengenai Data Mining , Data Science , atau bahasan Big Data kita terlampau jauh. Baik, kita akan mulai dengan bagaimana mengunduh R dan R Studio melalui mesin pencari Google. R dan R Studio ini memang beberapa waktu terakhir ini booming , apalagi dengan munculnya konsep mengenai Big Data , Data Modelling, Data Mining, dan Data Science serta Data Visualization . Sebenarnya, men...

Analisis Tipologi Klassen (Klassen Typology) dan Visualisasi Spasialnya dengan R

Tipologi Klassen dan visualisasinya dengan R Halo teman-teman, sebelumnya kita telah membahas tentang analisis Shift Share dan Location Quotient (LQ) dengan menggunakan R. Kali ini, kita akan membahas mengenai satu lagi alat analisis yang sebenarnya merupakan alat analisis tiga serangkai dari SS dan LQ, yaitu analisis Tipologi Klassen. Dalam penelitian ekonomi kewilayahan, ketiga analisis ini seringkali digunakan, baik dalam rangka melihat perkembangan dan transformasi struktur ekonomi suatu wilayah maupun melihat keunggulan kompetitif dan keunggulan komparatif wilayah satu dengan wilayah lainnya dengan mengacu wilayah referensi. Terlebih dulu, sebelum melakukan visualisasi spasial menggunakan fungsi plot(), ada baiknya kita bahas terlebih dahulu mengenai Tipologi Klassen itu sendiri. Tipologi Klassen merupakan teknik pengelompokan sektor, subsektor, lapangan usaha, atau komoditas tertentu di wilayah analisis berdasarkan pertumbuhan nilai tambah wilayah analisis terhadap nasional atau...