Korelasi Pearson dan Spearman antara Suhu Lingkungan Kerja dan Produktivitas Operator Lantai Produksi

Info proyek

• Bidang studiTeknik Industri dan Produksi
• JenjangSkripsi (S1)
• Jenis metodeStatistika Inferensial
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatscipy.stats pearsonr, spearmanr; pandas.DataFrame.corr
• HargaRp 300.000 - Rp 1.800.000

Tujuan analisis

Menguji pengaruh suhu lingkungan kerja terhadap produktivitas operator dengan Korelasi Pearson dan Spearman, dengan tingkat kebisingan sebagai kovariat.

Variabel

Contoh hasil

• 0.71Pearson r
• <0.001Pearson p-value
• 0.7Spearman rho
• <0.001Spearman p-value
• 0.505r squared
• 0.1295% CI width (r)

Korelasi Produktivitas operator dengan Suhu lingkungan kerja: Pearson r = 0.710 (p < 0.001) dan Spearman rho = 0.700; hubungan positif kuat.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Korelasi Pearson dan Spearman

Korelasi Pearson mengukur kekuatan hubungan linear dua variabel numerik, sedangkan Spearman mengukur hubungan monoton berbasis peringkat. Dipakai untuk eksplorasi hubungan antar variabel sebelum atau tanpa model prediktif.

Langkah pengerjaan

1. 1Buat diagram pencar untuk melihat pola hubungan
2. 2Periksa normalitas dan keberadaan outlier
3. 3Hitung Pearson bila hubungan linear dan data normal
4. 4Hitung Spearman bila data ordinal, tidak normal, atau ada outlier
5. 5Ambil koefisien dan p-value
6. 6Buat matriks korelasi dan heatmap bila variabel banyak

Asumsi yang perlu diperiksa

• Pearson: hubungan linear dan data kira-kira normal
• Spearman: hubungan monoton
• Pengamatan saling bebas dan tanpa outlier ekstrem

Membaca dan melaporkan hasil

Laporkan koefisien r atau rho, p-value, dan ukuran sampel, lalu tafsirkan kekuatan hubungannya. Ingatkan bahwa korelasi tidak membuktikan sebab-akibat.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import scipy.stats as st

rng = np.random.default_rng(28)
n = 120
workplace_temperature = rng.normal(10, 2, n)
noise_level = rng.normal(5, 1, n)
operator_productivity = 2 * workplace_temperature + np.exp(0.3 * noise_level) + rng.normal(0, 2, n)

r, p = st.pearsonr(workplace_temperature, operator_productivity)
rho, p2 = st.spearmanr(noise_level, operator_productivity)
print("Pearson X1-Y: r =", round(r, 3), "p =", round(p, 5))
print("Spearman X2-Y: rho =", round(rho, 3), "p =", round(p2, 5))

df = pd.DataFrame({"x1": workplace_temperature, "x2": noise_level, "y": operator_productivity})
corr = df.corr(method="spearman")
print(corr.round(2))

fig, ax = plt.subplots(1, 2, figsize=(10, 4))
ax[0].scatter(workplace_temperature, operator_productivity, s=10); ax[0].set_xlabel("x1"); ax[0].set_ylabel("y")
im = ax[1].imshow(corr, vmin=-1, vmax=1, cmap="coolwarm")
ax[1].set_xticks(range(3)); ax[1].set_xticklabels(corr.columns)
ax[1].set_yticks(range(3)); ax[1].set_yticklabels(corr.columns)
plt.colorbar(im, ax=ax[1])
plt.tight_layout()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum