Cara Membuat Matriks Korelasi dengan AI: 5 Pemeriksaan Mudah di 2026

Powerdrill Bloom·11 September 2026

Matriks korelasi membandingkan setiap kolom numerik dengan kolom lainnya dan melaporkan seberapa erat setiap pasangan bergerak bersama. Panduan ini membahas apa itu matriks korelasi dan cara membuatnya secara manual. Panduan ini kemudian memberikan tiga langkah untuk menghasilkannya dari data ekspor. Terakhir, ada lima pemeriksaan yang membedakan matriks yang berguna dari kisi angka yang menyesatkan.

Apa yang ditunjukkan oleh matriks korelasi kepada Anda

Dokumentasi Microsoft untuk Analysis ToolPak mendefinisikan objek ini dengan baik. Alat Korelasi "menyediakan tabel output, yaitu matriks korelasi." Tabel tersebut "menunjukkan nilai CORREL (atau PEARSON) yang diterapkan pada setiap pasangan variabel pengukuran yang memungkinkan."

Dokumentasi tersebut juga menyebutkan kapan Anda membutuhkannya. Alat ini "sangat berguna ketika ada lebih dari dua variabel pengukuran untuk masing-masing dari N subjek." Dengan dua kolom, Anda hanya perlu menghitung satu angka. Dengan dua belas kolom, Anda memerlukan kisi tersebut.

Koefisien itu sendiri dijelaskan secara sederhana. Koefisien tersebut adalah "ukuran sejauh mana dua variabel pengukuran 'bervariasi bersama'." Sifat yang berguna adalah penskalaan. Berbeda dengan kovarians, koefisien ini "diskalakan sehingga nilainya tidak bergantung pada satuan" tempat variabel tersebut dinyatakan.

Itulah mengapa matriks ini mudah dibaca. Pendapatan dalam dolar dan jumlah kunjungan menghasilkan koefisien pada skala yang sama, sehingga sel-selnya dapat dibandingkan satu sama lain.

Cara membaca nilai-nilai tersebut juga didokumentasikan. Koefisien yang "lebih dekat ke +1 atau -1" menunjukkan "korelasi positif (+1) atau negatif (-1) di antara array." Koefisien yang "lebih dekat ke 0, menunjukkan tidak ada korelasi atau korelasi yang lemah." Untuk versi pasangan tunggal dari konsep ini, penjelasan koefisien korelasi membahas definisinya secara tersendiri.

Apa yang Anda butuhkan sebelum memulai

Satu hasil ekspor dengan satu baris per subjek: pelanggan, toko, minggu, atau kampanye.
Minimal tiga kolom numerik. Di bawah jumlah itu, pembuatan matriks akan membutuhkan lebih banyak usaha daripada nilai yang dihasilkan.
Pemahaman tentang apa yang dimaksud dengan "subjek". Baris harus berupa jenis hal yang sama, jika tidak, koefisien tidak akan berarti apa-apa.
Catatan tentang kolom mana saja yang diturunkan satu sama lain. Pendapatan dan pendapatan per pesanan akan berkorelasi secara struktural.
Keputusan tentang cara menangani data kosong, yang diambil sebelum Anda menjalankan apa pun.

Poin terakhir tersebut mengubah hasil akhir, bukan hanya tampilannya. Hal ini menjadi pembahasan dalam Pemeriksaan 2 di bawah ini.

Cara melakukannya secara manual

Opsi 1: Gunakan alat Korelasi Analysis ToolPak

Ini adalah rute tersingkat dan menghasilkan matriks secara langsung. Microsoft menjelaskan fungsi add-in ini untuk memangkas langkah. Anda "menyediakan data dan parameter untuk setiap analisis." Alat tersebut kemudian menggunakan "fungsi makro untuk menghitung dan menampilkan hasil dalam tabel output."

Ada dua batasan yang perlu diketahui sebelumnya. Output-nya berupa blok angka statis, sehingga tidak akan diperbarui saat data berubah. Dan menurut dokumentasi, "fungsi analisis data hanya dapat digunakan pada satu lembar kerja (worksheet) dalam satu waktu."

Opsi 2: Tulis kisi formula CORREL

Letakkan nama kolom Anda di bagian samping dan di bagian atas, lalu isi setiap sel dengan CORREL terhadap kedua rentang tersebut.

Keuntungannya adalah formula ini dapat menghitung ulang secara otomatis. Kerugiannya adalah masalah skala. Matriks dua belas kolom berarti ada 144 sel dengan campuran referensi absolut dan relatif. Satu kesalahan saat menyeret (drag) formula dapat menempatkan pasangan yang salah di sel yang salah, tanpa memunculkan pesan kesalahan (error).

Opsi 3: Hitung di luar spreadsheet

Pustaka statistik apa pun dapat menghasilkan matriks korelasi dalam satu baris kode, dan menangani data yang hilang secara eksplisit.

Ini adalah rute yang paling andal namun paling sulit untuk dibagikan. Rekan kerja yang ingin mengetahui mengapa dua kolom saling berkorelasi tidak dapat membuka skrip Anda, dan matriks tersebut hanya akan diterima sebagai gambar yang ditempel.

Di mana rute manual mulai melambat

Perhitungannya instan. Yang memakan waktu adalah segala hal di sekitarnya.

Hambatan pertama adalah pemilihan kolom. Hasil ekspor mentah memiliki kolom ID, kolom tanggal yang disimpan sebagai angka, dan bendera status (status flag) yang dikodekan sebagai 0 dan 1. Semuanya bersifat numerik, sehingga semuanya akan masuk ke dalam matriks. Korelasi antara ID pelanggan dan pendapatan adalah derau (noise) yang masih tampak seperti sel data biasa.

Hambatan kedua adalah membacanya. Matriks dengan dua belas variabel memiliki 66 pasangan berbeda di atas garis diagonal. Memindai 66 angka untuk mencari angka yang menarik adalah tugas yang sering kali dilewati orang, itulah sebabnya matriks sering kali dibuat lalu diabaikan begitu saja.

Hambatan ketiga adalah repetisi. Tidak ada orang yang hanya membuat satu matriks korelasi. Mereka membuatnya per kohort, per wilayah, atau per kuartal, dan pekerjaan pemilihan kolom harus dimulai dari awal setiap kalinya.

Cara membuat matriks korelasi dengan Powerdrill Bloom

Langkah 1: Unggah hasil ekspor dengan satu baris per subjek

Masukkan file ke dalam Powerdrill Bloom tanpa perlu memilih kolom terlebih dahulu. Paket Free mencakup unggahan Excel, CSV, PDF, dan dokumen, sehingga hasil ekspor mentah dapat dimasukkan tanpa memerlukan paket berbayar.

Mengunggah hasil ekspor untuk membuat matriks korelasi dengan AI

Biarkan kolom ID dan tanggal tetap di tempatnya. Mengecualikan kolom-kolom tersebut adalah bagian dari instruksi, dan menyatakannya secara langsung jauh lebih andal daripada menghapus kolom lalu lupa kolom mana saja yang telah Anda hapus.

Langkah 2: Tentukan kolom yang akan disertakan dan cara menangani data kosong

Sampaikan dalam bahasa sehari-hari yang alami. Sebutkan kolom-kolom yang merupakan pengukuran sebenarnya dan sebutkan kolom mana saja yang ingin dikecualikan. Kemudian, tentukan apakah baris dengan nilai yang hilang harus dihapus atau ditangani secara berpasangan.

Sebutkan juga kolom mana saja yang diturunkan dari kolom lain. Matriks yang menandai hubungan aritmetika yang sudah jelas sebagai sebuah temuan baru hanya akan membuang-buang waktu pembaca di menit-menit pertama.

Langkah 3: Hasilkan matriks sebagai tabel dan heatmap

Mintalah output yang Anda butuhkan. Yaitu matriks berupa tabel koefisien, ditambah heatmap dari kisi yang sama. Tambahkan daftar singkat pasangan yang layak untuk diperhatikan, beserta ukuran sampelnya. Halaman harga menjelaskan tentang cara mendapatkan jawaban yang berdasar dengan bagan, tabel, dan ekspor, dan halaman analitik lanjutan mencantumkan Heatmap di antara visualisasinya.

Matriks korelasi yang dihasilkan ditampilkan sebagai tabel dan heatmap

Jika matriks tersebut akan dimasukkan ke dalam analisis tertulis, paket Pro memperluas kemampuan ini untuk menghasilkan output dokumen Office yang lebih lengkap.

5 pemeriksaan yang harus dilewati oleh setiap matriks korelasi

Pemeriksaan 1: Apakah kolom yang berpasangan memiliki panjang yang sama?

Ini adalah penyebab paling umum dari sel yang rusak. Dokumentasi Microsoft untuk fungsi ini sangat spesifik: "jika array1 and array2 memiliki jumlah titik data yang berbeda, CORREL akan mengembalikan kesalahan #N/A."

Dalam kisi yang dibuat secara manual, hal ini terjadi ketika satu rentang diseret satu baris lebih jauh dari rentang lainnya. Solusinya sangat sederhana; namun menyadarinya adalah bagian yang sulit, karena satu kesalahan #N/A dalam kisi berisi 144 sel sangat mudah terlewatkan.

Pemeriksaan 2: Apakah data kosong dan teks hilang seperti yang Anda bayangkan?

Dua perilaku yang terdokumentasi mengarah ke arah yang berbeda di sini, dan mengetahui keduanya dapat mencegah kesalahan yang fatal.

Fungsi ini mengabaikan nilai non-angka per pasangan. Menurut Microsoft, "teks, nilai logis, atau sel kosong" dalam argumen akan diabaikan. Namun "sel dengan nilai nol akan disertakan." Sel kosong dilewati; sedangkan nilai nol tetap dihitung.

Alat Korelasi ToolPak lebih ketat. Dokumentasinya menyatakan bahwa "setiap observasi yang hilang untuk subjek apa pun menyebabkan subjek tersebut diabaikan dalam analisis." Satu sel kosong akan menghapus seluruh baris dari setiap pasangan dalam matriks.

So data yang sama dapat menghasilkan dua matriks yang berbeda tergantung pada rute mana yang Anda ambil. Jika sebuah kolom memiliki banyak sel kosong, rute ToolPak mungkin secara diam-diam menghitung kisi pada sampel yang jauh lebih kecil.

Pemeriksaan 3: Apakah ada kolom yang bernilai konstan?

Kolom dengan nilai yang sama di setiap baris tidak memiliki variasi untuk dikorelasikan. Hasil yang terdokumentasi adalah kesalahan (error). Jika "s (standar deviasi) dari nilai-nilainya sama dengan nol," maka "CORREL mengembalikan kesalahan #DIV/0!."

Hal ini terjadi lebih sering daripada yang diperkirakan. Bendera status yang selalu bernilai benar (true) dalam periode yang Anda ekspor, atau biaya yang tidak pernah berubah, keduanya akan berperilaku seperti ini.

Pemeriksaan 4: Sudahkah Anda melihat bentuknya, bukan hanya angkanya?

Koefisien mengukur seberapa konsisten dua kolom bergerak bersama dalam garis lurus. Hubungan yang naik lalu turun dapat bernilai mendekati nol, padahal hubungan tersebut sangat kuat dan jelas terlihat dalam sebuah plot.

Jadi, sel yang mendekati nol bukanlah bukti independensi. Itu hanyalah pernyataan tentang hubungan garis lurus. Buat plot untuk dua atau tiga pasangan yang Anda pedulikan sebelum menyimpulkan apa pun, dan periksa apakah ada beberapa baris ekstrem yang menarik koefisien ke atas. panduan pencilan (outlier) membahas langkah tersebut.

Pemeriksaan 5: Apakah Anda memperhitungkan berapa banyak pasangan yang Anda lihat?

Matriks sepuluh kolom berisi 45 pasangan yang berbeda. Matriks dua belas kolom berisi 66 pasangan. Jika Anda memindai cukup banyak pasangan, beberapa di antaranya akan terlihat kuat tanpa alasan yang jelas.

Dua kebiasaan dapat mengatasi hal ini. Tentukan hubungan apa yang Anda harapkan sebelum membaca kisi, dan anggap sisanya sebagai kandidat, bukan sebagai temuan pasti. Serta catat ukuran sampel di samping koefisien apa pun yang ingin Anda kutip, karena signifikansi statistik bergantung padanya.

Apa yang dapat dihemat

Tugas	Secara manual	Dari hasil ekspor yang diunggah
Mengecualikan kolom ID, tanggal, dan bendera status	Manual, dilakukan ulang setiap kali dijalankan	Dinyatakan sekali dalam permintaan
Membangun kisi	144 formula atau blok ToolPak statis	Bagian dari pertanyaan yang Anda ajukan
Menerapkan satu aturan data yang hilang	Tergantung rute mana yang Anda gunakan	Dinyatakan secara eksplisit
Menyaring pasangan yang layak dibaca	Memindai 45 hingga 66 sel secara visual	Dikembalikan bersama dengan matriks
Membuat versi kuartal berikutnya	Pemilihan kolom dimulai dari awal	Permintaan yang sama, file baru

Praktik terbaik

Laporkan koefisien beserta ukuran sampelnya. Sel yang menunjukkan nilai 0.7 pada sebelas baris tidak sama kekuatannya dengan nilai 0.7 pada sebelas ribu baris.

Hapus salah satu dari pasangan yang Anda buat dari kolom lain. Kolom turunan akan menggelembungkan matriks dengan hubungan yang sebenarnya sudah Anda ketahui.

Tampilkan matriks sebagai heatmap untuk pemindaian cepat dan tabel untuk pengutipan. Heatmap membantu menemukan pola; tabel memberikan angka pasti yang akan ditempelkan seseorang ke dalam dokumen.

Jangan biarkan matriks memilih modelnya. Memilih prediktor berdasarkan korelasi terkuat adalah cara variabel kolinear terpilih bersama-sama. Analisis regresi adalah alat yang tepat untuk pertanyaan tersebut.

Tulis daftar pengecualian di samping matriks. Pertanyaan kedua dari pembaca biasanya adalah kolom mana saja yang ditinggalkan.

Kesimpulan

Matriks korelasi murah untuk dihitung dan mudah untuk ditafsirkan secara berlebihan. Excel menyediakan kedua rute untuk membuatnya, dan keduanya tidak sejalan dalam menangani data yang hilang dengan cara yang sebenarnya terdokumentasi tetapi jarang disadari.

Nilai utamanya terletak pada lima pemeriksaan tersebut, bukan pada kisinya. Pasangan dengan panjang yang sama, aturan data kosong yang jelas, tidak ada kolom konstan, melihat bentuk aslinya, dan kejujuran tentang berapa banyak pasangan yang Anda pindai.

Jika Anda memiliki hasil ekspor tetapi tidak memiliki minat untuk membuat kisi berisi 144 sel, coba Powerdrill Bloom dengan file mentah Anda. Rute asisten AI Excel sangat cocok untuk data yang sudah ada di dalam buku kerja (workbook).

Pertanyaan yang sering diajukan

Apa itu matriks korelasi?

Ini adalah tabel yang menunjukkan koefisien korelasi untuk setiap pasangan variabel numerik dalam kumpulan data (dataset). Dokumentasi Microsoft menjelaskan output Analysis ToolPak sebagai matriks korelasi yang menunjukkan CORREL atau PEARSON yang diterapkan pada setiap pasangan yang memungkinkan. Ini sangat berguna setelah Anda memiliki lebih dari dua variabel pengukuran.

Bagaimana cara membuat matriks korelasi di Excel?

Ada dua rute yang tersedia. Analysis ToolPak memiliki alat Korelasi yang menulis matriks ke dalam tabel output. Alternatif lainnya, Anda dapat membangun kisi formula CORREL, yang dapat menghitung ulang secara otomatis tetapi membutuhkan banyak sel dan referensi yang cermat.

Bagaimana Excel menangani nilai yang hilang dalam korelasi?

Hal ini tergantung pada rute mana yang Anda gunakan. Fungsi CORREL mengabaikan teks, nilai logis, dan sel kosong, tetapi menyertakan nilai nol. Alat Korelasi ToolPak menghapus subjek apa pun dengan observasi yang hilang dari seluruh analisis.

Apa yang dianggap sebagai korelasi yang kuat?

Panduan Microsoft bersifat terarah, bukan numerik. Nilai yang lebih dekat ke +1 atau -1 menunjukkan korelasi positif atau negatif yang lebih kuat. Nilai yang lebih dekat ke 0 menunjukkan tidak ada korelasi atau korelasi yang lemah. Ambang batas tetap apa pun bergantung pada bidang Anda dan ukuran sampel Anda.

Apakah korelasi yang tinggi berarti satu variabel menyebabkan variabel lainnya?

Tidak. Koefisien tersebut menjelaskan seberapa konsisten dua kolom bergerak bersama, dan tidak menjelaskan apa pun tentang arah atau mekanisme sebab-akibat. Faktor ketiga yang mendorong keduanya, atau kolom yang diturunkan dari kolom lainnya, akan menghasilkan pembacaan yang sama.