Pada artikel sebelumnya, kita telah menggunakan scatter plot untuk melihat hubungan antara dua variabel secara visual. Namun, bagaimana jika kita ingin mengetahui seberapa kuat hubungan tersebut dalam bentuk angka? Salah satu cara yang dapat digunakan adalah menghitung korelasi antar kolom menggunakan Pandas.

Dalam artikel ini, kita akan menggunakan dataset sederhana mengenai jam belajar, kehadiran, dan nilai siswa. Dari data tersebut, kita akan menghitung korelasi dan mencoba memahami apa arti angka yang dihasilkan.

📘 Apa yang Akan Dipelajari?

Pada artikel ini kamu akan mempelajari:

• Pengertian korelasi dalam analisis data.
• Mengapa korelasi digunakan untuk menganalisis hubungan antarvariabel.
• Cara menghitung korelasi menggunakan Pandas.
• Cara membaca nilai koefisien korelasi.
• Cara membandingkan hubungan antar beberapa kolom.
• Cara memvisualisasikan korelasi menggunakan heatmap.
• Cara menulis insight berdasarkan hasil korelasi.
• Mengapa korelasi tidak selalu berarti hubungan sebab-akibat.

💡 Mengapa Korelasi Diperlukan?

Pada artikel sebelumnya, scatter plot digunakan untuk melihat hubungan dua variabel melalui grafik. Dengan melihat posisi titik-titik pada grafik, kita dapat mengetahui apakah terdapat pola tertentu.

Namun, terkadang kita membutuhkan angka untuk membantu mengukur hubungan tersebut.

Misalnya, kita melihat bahwa siswa yang memiliki jam belajar lebih tinggi cenderung mendapatkan nilai yang lebih tinggi. Dari scatter plot kita dapat melihat adanya pola positif, tetapi kita masih dapat bertanya:

Seberapa kuat hubungan antara jam belajar dan nilai tersebut?

Pertanyaan tersebut dapat dibantu dengan analisis korelasi.

Korelasi merupakan ukuran statistik yang digunakan untuk mengetahui arah dan kekuatan hubungan antara dua variabel. Dalam praktik kali ini, kita akan menggunakan Pandas untuk menghitungnya secara langsung.

⚠️ Sebelum Memulai

Sebelum mengikuti praktik, pastikan kamu telah memiliki:

• Akun Google untuk menggunakan Google Colab.
• Browser dan koneksi internet.
• Pemahaman dasar Python.
• Pemahaman dasar Pandas.
• Pengetahuan dasar tentang DataFrame.
• Pemahaman sederhana mengenai scatter plot.

Jika belum mengenal Google Colab, kamu dapat membaca artikel sebelumnya tentang cara menjalankan Python melalui browser.

Sebelum menghitung korelasi, sebaiknya dataset juga sudah diperiksa dan dibersihkan. Hal ini penting karena data kosong, data yang salah, atau outlier dapat memengaruhi hasil analisis.

📊 Apa Itu Korelasi?

Korelasi adalah ukuran yang digunakan untuk melihat hubungan antara dua variabel.

Dalam korelasi Pearson, nilai koefisien berada pada rentang:

-1 sampai +1

Secara umum, cara membacanya adalah:

Nilai positif menunjukkan bahwa kedua variabel cenderung bergerak ke arah yang sama.

Sebaliknya, nilai negatif menunjukkan bahwa ketika salah satu variabel meningkat, variabel lainnya cenderung menurun.

Sementara itu, nilai yang mendekati nol menunjukkan bahwa hubungan linear antara kedua variabel relatif lemah atau tidak terlihat.

Perlu diperhatikan bahwa batas untuk menyebut suatu korelasi sebagai “lemah”, “sedang”, atau “kuat” dapat berbeda tergantung bidang dan konteks analisis. Oleh karena itu, angka korelasi sebaiknya tidak dibaca secara terpisah dari kondisi dataset.

💻 Menyiapkan Dataset

Untuk praktik ini, kita akan menggunakan dataset sederhana yang berisi tiga variabel:

• Jam_Belajar → jumlah jam belajar siswa.
• Kehadiran → persentase kehadiran siswa.
• Nilai → nilai ujian siswa.

Buat DataFrame menggunakan kode berikut:

import pandas as pd

data = pd.DataFrame({
    "Jam_Belajar": [1, 2, 2, 3, 3, 4, 4, 5, 5, 6],
    "Kehadiran": [70, 75, 78, 80, 82, 85, 88, 90, 92, 95],
    "Nilai": [55, 60, 64, 68, 72, 76, 79, 84, 87, 91]
})

print(data)

Kode tersebut membuat DataFrame dengan 10 baris data.

Output:

   Jam_Belajar  Kehadiran  Nilai
0            1         70     55
1            2         75     60
2            2         78     64
3            3         80     68
4            3         82     72
5            4         85     76
6            4         88     79
7            5         90     84
8            5         92     87
9            6         95     91

🔎 Memeriksa Dataset Sebelum Menghitung Korelasi

Sebelum menghitung korelasi, kita perlu memastikan struktur data sudah sesuai.

Gunakan fungsi info():

print(data.info())

Fungsi info() dapat digunakan untuk melihat informasi dasar DataFrame, termasuk jumlah baris, jumlah kolom, nama kolom, dan tipe data.

Kita juga dapat menggunakan describe() untuk melihat statistik dasar:

print(data.describe())

Pemeriksaan seperti ini merupakan bagian penting dari proses analisis karena perhitungan korelasi sebaiknya dilakukan pada data yang sudah dipahami strukturnya.

🧮 Menghitung Korelasi Menggunakan Pandas

Setelah dataset siap, kita dapat menghitung korelasi dengan fungsi corr().

Gunakan kode berikut:

korelasi = data.corr(numeric_only=True)

print(korelasi)

Parameter numeric_only=True digunakan agar perhitungan hanya dilakukan pada kolom numerik.

Hasilnya berupa matriks korelasi, misalnya:

              Jam_Belajar  Kehadiran  Nilai
Jam_Belajar          1.00       0.99    0.99
Kehadiran            0.99       1.00    1.00
Nilai                0.99       1.00    1.00

Angka pada tabel tersebut merupakan koefisien korelasi dari setiap pasangan kolom numerik.

Nilai 1.00 pada diagonal utama muncul karena sebuah variabel memiliki korelasi sempurna dengan dirinya sendiri. Bagian tersebut tidak perlu digunakan ketika kita ingin membandingkan satu variabel dengan variabel lainnya.

🔍 Cara Membaca Hasil Korelasi

Misalnya kita fokus pada hubungan antara Jam_Belajar dan Nilai.

Hasilnya adalah sekitar:

Jam_Belajar → Nilai = 0.99

Nilai tersebut mendekati +1 sehingga pada dataset latihan ini terdapat hubungan linear positif yang sangat kuat antara jam belajar dan nilai.

Artinya, siswa dengan jumlah jam belajar lebih tinggi cenderung memiliki nilai yang lebih tinggi pada dataset tersebut.

Namun, kalimat tersebut perlu diperhatikan.

Kita tidak mengatakan:

Jam belajar pasti menyebabkan nilai siswa meningkat.

Kesimpulan yang lebih tepat adalah:

Pada dataset yang dianalisis, terdapat hubungan positif yang sangat kuat antara jumlah jam belajar dan nilai ujian.

Perbedaan ini penting karena korelasi menunjukkan hubungan, bukan otomatis membuktikan sebab-akibat.

📊 Membandingkan Korelasi Antarvariabel

Dengan menggunakan matriks korelasi, kita dapat melihat hubungan beberapa variabel sekaligus.

Misalnya kita ingin mengetahui hubungan:

Jam_Belajar → Nilai
Kehadiran   → Nilai

Jika nilai korelasi Jam_Belajar dengan Nilai lebih tinggi daripada Kehadiran dengan Nilai, maka pada dataset tersebut hubungan linear antara jam belajar dan nilai lebih kuat.

Hal ini dapat membantu analis menentukan hubungan mana yang menarik untuk diperiksa lebih lanjut.

Namun, korelasi yang lebih tinggi tidak otomatis berarti variabel tersebut lebih penting secara bisnis. Konteks dan tujuan analisis tetap harus diperhatikan.

🌡️ Memvisualisasikan Korelasi dengan Heatmap

Matriks korelasi dapat menjadi cukup sulit dibaca ketika jumlah kolom semakin banyak.

Salah satu cara untuk membuatnya lebih mudah dipahami adalah menggunakan heatmap.

Heatmap adalah visualisasi yang menggunakan gradasi warna untuk menunjukkan nilai tertentu pada sebuah matriks.

Untuk membuat heatmap, kita dapat menggunakan Seaborn.

import seaborn as sns
import matplotlib.pyplot as plt

sns.heatmap(
    data.corr(numeric_only=True),
    annot=True,
    cmap="coolwarm"
)

plt.title("Matriks Korelasi")
plt.show()

Parameter annot=True digunakan untuk menampilkan angka korelasi di dalam setiap sel.

Sementara itu, cmap menentukan skema warna yang digunakan untuk membedakan nilai korelasi.

Setelah dijalankan, akan muncul visualisasi matriks korelasi.

Dengan heatmap, kita dapat melihat hubungan antarvariabel dengan lebih cepat. Nilai korelasi yang berbeda akan ditampilkan menggunakan gradasi warna sehingga pola dalam matriks lebih mudah diamati.

🧪 Mini Praktik

Sekarang kita coba menggunakan dataset lain.

Tujuannya adalah mencari tahu variabel mana yang memiliki hubungan paling kuat dengan nilai.

import pandas as pd

data = pd.DataFrame({
    "Jam_Belajar": [2, 3, 4, 2, 5, 6, 3, 7],
    "Kehadiran": [80, 85, 90, 75, 92, 95, 82, 98],
    "Tugas_Selesai": [5, 6, 7, 5, 8, 9, 6, 10],
    "Nilai": [60, 65, 72, 58, 80, 88, 67, 92]
})

print(data.corr(numeric_only=True))

Setelah kode dijalankan, perhatikan nilai korelasi masing-masing variabel terhadap Nilai.

Coba jawab pertanyaan berikut:

1. Variabel mana yang memiliki korelasi paling tinggi dengan Nilai?
2. Apakah hubungannya positif atau negatif?
3. Apakah korelasi tersebut cukup untuk membuktikan hubungan sebab-akibat?

Untuk latihan ini, fokus utama bukan hanya mendapatkan angka, tetapi belajar membaca dan menjelaskan arti angka tersebut.

⚠️ Korelasi Bukan Sebab-Akibat

Kesalahan yang cukup sering dilakukan pemula adalah menganggap korelasi sebagai bukti sebab-akibat.

Misalnya terdapat korelasi tinggi antara jumlah jam belajar dan nilai. Kita belum dapat memastikan bahwa peningkatan jam belajar adalah satu-satunya penyebab meningkatnya nilai.

Ada kemungkinan terdapat faktor lain yang ikut berpengaruh, seperti:

• kemampuan awal siswa;
• metode belajar;
• kualitas pembelajaran;
• tingkat kesulitan ujian;
• kondisi siswa;
• atau faktor lainnya.

Karena itu, hasil korelasi sebaiknya digunakan sebagai petunjuk awal untuk menemukan pola yang menarik untuk dianalisis lebih lanjut.

💼 Penerapan dalam Dunia Kerja

Konsep korelasi dapat digunakan dalam berbagai situasi pekerjaan Data Analyst.

Misalnya sebuah perusahaan memiliki data:

Biaya Iklan
Jumlah Pengunjung
Jumlah Transaksi
Pendapatan

Analis dapat menghitung korelasi untuk melihat apakah terdapat hubungan antarvariabel tersebut.

Contohnya, perusahaan mungkin ingin mengetahui apakah peningkatan jumlah pengunjung memiliki hubungan dengan peningkatan transaksi.

Hasil korelasi dapat menjadi salah satu informasi awal dalam proses analisis.

Namun, keputusan bisnis tidak sebaiknya dibuat hanya berdasarkan satu angka korelasi. Data perlu dilihat bersama konteks bisnis, kualitas dataset, periode pengamatan, dan analisis lainnya.

❌ Kesalahan yang Sering Dilakukan Pemula

Beberapa kesalahan yang perlu dihindari ketika melakukan analisis korelasi antara lain:

• Menganggap korelasi sebagai hubungan sebab-akibat.
• Menghitung korelasi tanpa memeriksa kualitas data.
• Mengabaikan data yang kosong.
• Tidak memperhatikan outlier.
• Menggunakan kolom yang tidak sesuai untuk perhitungan.
• Hanya melihat angka korelasi tanpa melihat pola data.
• Menganggap korelasi yang tinggi selalu berarti hubungan yang penting secara bisnis.
• Menggunakan terlalu banyak angka tanpa menjelaskan insight yang diperoleh.

⭐ Tips dan Best Practice

Agar analisis korelasi lebih baik, beberapa kebiasaan berikut dapat diterapkan:

• Bersihkan dan periksa dataset sebelum melakukan perhitungan.
• Pastikan variabel yang dibandingkan relevan dengan pertanyaan analisis.
• Gunakan scatter plot untuk membantu melihat pola hubungan.
• Periksa kemungkinan adanya outlier.
• Jangan langsung menyimpulkan sebab-akibat.
• Gunakan korelasi sebagai salah satu bagian dari proses analisis.
• Jelaskan hasil korelasi menggunakan kalimat yang mudah dipahami.
• Selalu kaitkan hasil analisis dengan konteks permasalahan.

Dengan kebiasaan tersebut, kita tidak hanya belajar menjalankan fungsi corr(), tetapi juga belajar memahami bagaimana sebuah hasil analisis seharusnya diinterpretasikan.

🔗 Dari Scatter Plot Menuju Korelasi

Pada artikel sebelumnya, kita menggunakan scatter plot untuk melihat hubungan dua variabel secara visual.

Pada artikel ini, kita melanjutkannya dengan menghitung korelasi untuk mengetahui arah dan kekuatan hubungan tersebut secara numerik.

Alurnya menjadi:

Data
↓
Pemeriksaan dan Data Cleaning
↓
Scatter Plot
↓
Korelasi
↓
Insight

Dengan alur tersebut, visualisasi dan perhitungan statistik dapat saling melengkapi.

Scatter plot membantu kita melihat pola, sedangkan korelasi membantu memberikan ukuran numerik mengenai hubungan linear antarvariabel.

🎯 Kesimpulan

Korelasi merupakan salah satu metode yang dapat digunakan untuk memahami hubungan antarvariabel dalam analisis data. Dengan Pandas, perhitungan korelasi dapat dilakukan dengan mudah menggunakan fungsi corr().

Nilai korelasi berada pada rentang -1 hingga +1. Hasil positif menunjukkan kecenderungan hubungan positif, sedangkan nilai negatif menunjukkan kecenderungan hubungan negatif. Nilai yang mendekati nol menunjukkan hubungan linear yang lemah atau tidak jelas.

Melalui praktik pada artikel ini, kita telah menggunakan dataset sederhana untuk menghitung korelasi antara jam belajar, kehadiran, dan nilai. Hasil tersebut kemudian divisualisasikan menggunakan heatmap agar hubungan antarvariabel lebih mudah dibaca.

Hal terpenting yang perlu diingat adalah korelasi tidak sama dengan sebab-akibat. Hasil korelasi sebaiknya digunakan sebagai langkah awal untuk menemukan pola dan menentukan analisis berikutnya.

Dengan memahami korelasi, kita mulai berpindah dari sekadar melihat data menjadi mengukur dan menjelaskan hubungan yang terdapat di dalamnya.

📚 Daftar Pustaka

• Pandas Documentation
• Matplotlib Documentation
• Seaborn Documentation

✍️ Penulis

Ditulis oleh Maulana Aldi Pradana.