Kegiatan Belajar 3

Analisis Korelasi
Hubungan fungsional antara peubah-peubah telah diuraikan dalam kegiatan belajar 1 dan 2. Disana ditinjau bagaimana persamaan regresi linier ditentukan dan juga bagaimana pengujian terhadap parameter-parameter dilakukan. Persoalan berikutnya yang dirasakan perlu, jika data hasil pengamatan terdiri dari banyak peubah, ialah berapa kuat hubungan antara peubah-peubah itu terjadi. Dalam kata lain, perlu ditentujan derajat hubungan antara peubah-peubah. Studi yang membahas tentang derajat hubungan antara peubah-peubah dikenal dengan nama analisis korelasi. Ukuran yang dipakai untuk mengetahui derajat hubungan, terutama untuk data kuantitatif, dinamakan koefisien korelas. Perlu diketahui bahwa: dalam analisis regresi, kita anggap bahwa peubah bebas X adalah konstan, jadi bukan suatu peubah acak. Dalam analisis korelasi, peubah X dan Y keduanya merupakan peuabah acak yang menyebar bersama. Di dalam kegiatan belajar 3 ini akan diuraikan bagaimana koefisien korelasi dihitung dan selanjutnya juga diberikan penjelasan mengenai cara-cara pengujiannya. 9.3.1. Indeks Determinasi Analisis korelasi sukar untuk dipisahkan daripada analisis regresi. Karenanya kitapun akan menggunakan hasil-hasil dari kegiatan belajar 1 dan 2. Secara umum, untuk pengamatan yang terdiri dari dua variabel X dan Y, kita tinjau hal berikut. Misalnya persamaan regresi Y atas X2 tidak perlu harus linier yang dihitung dari sampel, berbentuk: Y = f(X). Jika regresinya linier, jelas f(X) = a + bX dan jika parabola kuadratik f(X) = a + bX + cX2 dan seterusnya. Apabila Y menyatakan rata-rata untuk data variabel Y, maka kita dapat membentuk jumlah JKG = Σ (Yi-Yi)2 dengan menggunakan harga-harga Yi yang didapat dari regresi Y = f(X). Besaran yang ditentukan oleh rumus:
I= ˆ )2 ∑(Yi − Y) 2 − ∑( Yi − Y i ∑( Yi − Y ) 2

(9.3.1)

atau
I = JKT − JKG JKT

(9.3.2)

dinamakan indeks determinasi yang mengukur derajad hubungan antara variabel X dan Y, apabila antara X dan Y terdapat hubungan regresi berbentuk Y = f(X). Indeks determinasi ini bersifat bahwa jika titik-titik diagram pencar letaknya semakin dekat

37

3.kepada garis regresi. maka harga I makin dekat kepada satu. Harga 1 – r2 sendiri dapat dinamakan koefisien non determinasi.3. atau tepatnya terdapat garis regresi yang tuna cocok. Letak titiktitik ada pada garis regresi linier dengan sifat bahwa harga X yang besar berpasangan dengan harga Y yang besar. ialah : 38 . Harga r= -1 menyatakan adanya hubungan linier sempurna tak langsung antara X dan Y. maka itu pun berlaku apabila pola hubungan antara Y dan X berbentuk regresi linier. Dalam hal ini I akan diganti oleh r2 dan diperoleh : r2 = ˆ )2 ∑(Yi − Y) 2 − ∑(Yi − Y i ∑(Yi − Y) 2 (9. Sebaliknya jika titik-titik itu makin jauh dari garis regresi. harga 1 − r 2 dinamakan koefisien alienasi atau koefisien perenggangan. Ini berarti bahwa titik-titik yang ditentukan oleh (Xi. Koefisien korelasi r tentu saja didapat dengan jalan mengambil akar dari r 2. 9.2 Korelasi Dalam Regresi Linier Apabila garis regresi yang terbaik untuk sekumpulan data berbentuk linier.3.1) diatas bersifat umum. Harga r= + 1menyatakan adanya hubungan linier sempurna langsung antara X dan Y.4) Bentuk lain dapat pula digunakan. maka hendaknya ini ditafsirkan bahwa tidak terdapat hubungan linier antara variabel-variabel X dan Y. Harga-harga r lainnya bergerak antara -1 dan +1 dengan tanda negatif menyatakan adanya korelasi tak langsung atau korelasi negatif dan tanda positif menyatakan korelasi langsung atau korelasi positif. sedangkan harga X yang kecil berpasangan dengan Y yang kecil pula. Mudah dilihat bahwa dari Rumus (9. maka derajat hubungannya akan dinyatakan dengan r dan biasa dinamakan koefisien korelasi karena rumus (9. Dinamakan demikian oleh karena 100 r2% daripada variasi yang terjadi dalam variabel tak bebas Y dapat dijelaskan oleh variabel bebas X dengan adanya regresi linier Y atas X.3.3) r2 dinamakan koefisien determinasi atau koefisien penentu. Yi) berukuran n dapat digunakan rumus : r= {n ∑ X n ∑ X i Yi − (∑ X i )(∑ Yi ) 2 i − (∑ X i ) 2 }{ n ∑ Y 2 i − (∑ Yi ) 2 } (9. Secara umum berlaku 0 < I < 1. Khusus untuk r = 0.1) dan Rumus (9.2) akan berlaku 0 ≤ r2 < 1 sehingga untuk koefisien korelasi didapat hubungan -1 < r < +1. maka harga I makin dekat kepada nol. Yi) seluruhnya terletak pada garis regresi linier dan harga X yang besar menyebabkan atau berpasangan dengan Y yang kecil sedangkan harga X yang kecil berpasangan dengan Y yang besar. Untuk keperluan perhitungan koefisien r berdasarkan sekumpulan data (X i.3.3.

yaitu yang ditentukan oleh koefisien arah garis regresi Y atas X dan regresi X atas Y.105)(1.094.8758 Dari hasil ini ternyata didapat korelasi positif antara banyak pengunjung X dan yang berbelanja Y. Besar hubungannya ditentukan oleh koefisien determinasi r2 = 0.4) kita peroleh : 30(37.x / s 2 y (9. jika koefisien arah regresi Y atas X dan b 2 koefisien arah regresi X atas Y untuk data yang sama. meningkatnya pengunjung yang datang meningkatkan pula banyaknya yang berbelanja. maka : r2 = r2 = b1b2 (9.599) − (1.3. maka koefisien determinasi r2 dapat ditentukan oleh rumus: r2 = 2 sY = ∑(Yi − Y ) yang merupakan ragam untuk variabel Y.029) − (1. Ini berarti bahwa meningkatnya atau menurunnya pembeli 76.3.7% dapat dijelaskan oleh banyaknya pengunjung melalui hubungan linier X dan Y.5) b { n ∑ X i Y − (∑ X i )(∑ Yi )} n ∑ Y 2 i − (∑ Yi ) 2 (9.001) 2 } r = 0.dengan s Jika persamaan regresi linier Y atas X telah ditentukan dan sudah didapat koefisien arah b. ΣXiYi = 37.029.094) − (1.105) 2 }{30(33.6) Dengan sedikit pengerjaan aljabar.8) Rumus itu menyatakan bahwa koefisien korelasi r adalah rata-rata ukur daripada koefisien-koefisien arah b1 dan b2.105. ΣX2i = 41. ΣY2i = 33.3. Bila data telah kita hitung sebagai berikut: ΣXi = 1.1: Misalkanlah kita ingin mengetahui hubungan antara banyaknya pengunjung (X) dan banyaknya yang berbelanja (Y) di sebuah toko.7670 atau sebesar 76.599 dan n = 30. 39 . 2 2 yx = ∑(Yi − Y )( X i − X ) yang merupakan kuadrat kekeliruan taksiran dan r = 1 − s 2 y. ΣYi = 1.7) dengan sx simpangan baku untuk variabel X dan sy simpangan baku untuk variabel Y.3.001) r= {30(41. dari rumus di atas dapat diturunkan rumus koefisien korelasi. Dari rumus (9. Contoh 9.3. r = b sx / sy (9.001.7%.3. Masih ada rumus lain. berarti. sedangkan sisanya ditentukan oleh keadaan lain.

Distribusi Sampling Koefisien Korelasi Uraian tentang koefisien korelasi r dalam bagian-bagian yang lalu seluruhnya berlaku untuk hubungan antara X dan Y dan tidak bergantung pada asumsi yang dikenakan kepada variabel-variabel X dan Y. . Memang hubungan yang ada antara X dan Y. bahwa koefisien korelasi r = 0 dihitung dengan Rumus (9. Untuk ini dimisalkan bahwa X dan Y berdistribusi gabungan normal bervariabel dua yang didalamnya antara lain berisikan parameter ρ (baca : rho) sebagai koefisien korelasinya.3. r2. ΣX2y = 28.3.1) mudah dilihat (Yi −Y diatas. Kita lihat bahwa Y = 6.3. Dengan Rumus didapat : 7(0) − (0)(42) r= {7(28) − (0) 2 }{7(336) − (42) 2 } = 0 Yang berarti tidak terdapat hubungan linier antara X dan Y. Dari populasi normal bervariabel dua ini ambillah semua sampel acak berukuran n lalu hitung koefisien-koefisien korelasinya r dengan rumus yang telah dijelaskan di atas. . maka analisis korelasi bisa berjalan lebih jauh. Kita ambil harga-harga sebagai berikut : Xi Yi -3 11 -2 6 -1 3 0 2 1 3 2 6 3 11 Dari sini mudah dihitung bahwa : ΣXi = 0.3. Yi dan harganya ˆ ) 2 = 0. yakni Y = 2 + X 2. Yang benar adalah tidak terdapat hubungan linier antara X dan Y. berbentuk parabola kuadratik. ΣYi = 42. Dengan demikian ∑ i bahwa r2 = 1. misalnya bagaimana X dan Y berdistribusi. ΣX2i = 336.3. Populasinya mempunyai ρ = 0 40 . Apabila sekarang untuk X dan Y terdapat pola tertentu.3). melainkan hubungan berbentuk lain (dalam hal ini kuadratik). r3. Sekarang. Contoh 9. Ini berarti bahwa terdapat hubungan sempurna antara X dan Y yang dinyatakan oleh parabola dengan persamaan Y = 2 + X2.Contoh 9. ini memperlihatkan.3. yang jelas bahwa model regresi ini bukan regresi linier. . . Dibedakan dua hal : Hal A). sehingga dari Rumus (9. ΣXiYi = 0 dan n = 7.2. . Maka didapat kumpulan koefisien korelasi r1.3. Dari kumpulan ini kita dapat membentuk distribusi sampling koefisien korelasi dan selanjutnya rata-rata dan simpangan bakunya dapat dihitung. Untuk ini kita gunakan Rumus (9.4). 9. marilah kita lihat berapa derajad hubungan yang ada antara X dan Y dalam bentuk kuadratik tersebut. antara lain menentukan interval taksiran dan menguji hipotesis.2: Misalkanlah model regresi Y = 2 + X 2. Rata-rata dari simpangan baku untuk distribusi sampling koefisien korelasi ini akan diberi simbul µr dan σr. bukan berarti tidak terdapat hubungan antara X dan Y.

10) dengan In berarti logaritma asli.3. dengan menggunakan sebuah transformasi akan menyebabkan distribusi yang tidak simetrik itu mendekati distribusi normal.3. Transformasi yang digunakan ialah transformasi Fisher : Z = ½ ln  1 + r    1.Jika semua sampel acak itu berasal dari populasi normal bervariabel dua dengan ρ = 0.3. Dalam logaritma biasa. maka distribusi sampling koefisien korelasi tidak simetrik.12) Rumus µz dapat pula ditulis dalam bentuk : 1 + ρ0 µz = (1.r2 (9. yaitu logaritma dengan bilangan pokok e. transformasi ini dapat juga ditulis sebagai : Z = (1.13) 9.ρ 0  1 σ = n -3     (9. jika dibentuk statistik : t= r n-2 1.r  (9.11) Dengan transformasi ini.1513) log  1 − ρ 0      (9. Populasinya mempunyai ρ ≠ 0 Jika populasi dari mana sampel acak itu diambil mempunyai ρ = ρ0 ≠ 0. distribusi normal yang terjadi (suatu bentuk pendekatan) mempunyai rata-rata dan simpangan baku :  1 + ρ0 µ z = 1 2 ln   1. Dalam hal ini. Menaksir Koefisien Korelasi 41 .4.1513) log  1 + r    1.r  (9.3.9) maka akan diperoleh distribusi Student t dengan dk = (n – 2) Hal B). maka distribusi sampling koefisien korelasi akan simetrik dengan µr = 0.3.3.

maka untuk koefisien korelasi ρ pun didapat hal yang sama.7066 = (1.7066 didapat : 0. setelah Z didapat.8   = 1. digunakan transformasi Fisher.1513) log  1 − ρ 0      (9. proporsi π) ada dua macam penaksiran. Jika γ = koefisien kepercayaan yang diberikan.0986 + 1.14) dengan z½ γσz didapat dari daftar distribusi normal baku menggunakan peluang ½γ. Jika hubungan antara X dan Y berbentuk regresi linier.13) dan 1 + ρ0 µz = (1.14). ialah taksiran titik dan taksiran interval.3.3.11) kita peroleh : Z = (1. Untuk µz = 0. Untuk kita disini hanya dibahas penaksiran koefisien korelasi apabila regresi antara X dan Y berbentu linier.1513) log   log   1 + ρ     1.4) atau yang sejenisnya. simpangan baku σ.96 28 − 3 1 + 0.Sebagaimana halnya menaksir prameter-prameter lain (rata-rata µ.15) Contoh 9. baru batas-batas µz ditentukan. Dari sampel itu didapat r = 0.12) dan Rumus XVI(15) didapat : 1.ρ  untuk µz = 1. tentukan taksiran koefisien korelasi ρ untuk populasi.80.3.0986 1 − 0.06137 yang menghasilkan ρ = 0. Taksiran titik ρ dengan mudah dapat ditentukan ialah koefisien korelasi r yang didapat dari sampel.96 28 − 3 atau 0.3. Dalam hal lain.3. Akhirnya batas-batas ρ dapat ditentukan dengan menggunakan batas-batas µz yang didapat dari Rumus (9.4906 dihasilkan : 1 + ρ    = 0.1513) log  1. maka r dihitung dengan Rumus (9.3.4906 substitusikan batas-batas ini ke dalam Rumus (9.7066 < µz < 1.3.80.8  Dari rumus (9.ρ  42 .609  1. yaitu Z.3: Sebuah sampel acak dengan ukuran n = 28 telah diambil dari sebuah populasi normal bervariabel dua.3). r dihitung dengan rumus (9.3.3. untuk menentukan interval taksiran ρ dengan angka kepercayaan γ = 95% misalnya dengan Rumus (9.0986 < µz < 1. Jawab : Titik taksiran dengan mudah dapat ditentukan ialah ρ = 0. Untuk menentukan interval taksiran koefisien korelasi ρ. maka interval taksiran µz dihitung oleh : Z – z½ γσz < µz < Z + z½ γσz (9.

r2 1 + ρ    = 1. jika sampel acak yang diambil dari populasi normal bervariabel dua itu berukuran n memiliki koefisien korelasi r.3.9) yaitu : t = r n-2 1.½ α).903 9. Dari modelnya.ρ  (9.609 < ρ < 0. Mengingat dalam banyak penelitian sering ingin mengetahui apakah antara dua variabel terdapat hubungan yang independen atau tidak. maka dari Rumus (9. Daerah kritis pengujianm. maka kita perlu melakukan uji independen.1513) log   log   1 + ρ     1.4: Untuk pengujian H0 : ρ = 0 melawan H1 : ρ ≠ 0 berdasarkan sebuah sampel acak berukuran n = 27 dengan r = 0.458 2 1 − ( 0.3. maka hipotesis kita terima jika –t(1. Dalam hal ini. Contoh 9.28) 27 − 2 = 1.28) 43 .3.2947 yang menghasilkan ρ = 0.½α) < t < t(1. Sehingga dalam hal populasi berdistribusi normal ρ = 0 mengakibatkan bahwa X dan Y independen dan sebaliknya.ρ  interval taksiran ρ dengan angka kepercayaan 95% adalah 0.4906 = (1. maka ternyata bahwa X dan Y independen. maka hipotesis yang harus diujikan adalah : H0 : ρ = 0 melawan H1 : ρ ≠ 0 Uji ini sebenarnya ekivalen dengan uji H0 : θ2 = 0 dimana θ2 menyatakan koefisien arah regresi linier untuk populasi.28. jika ρ = 0. Dalam hal pertama merupakan uji pihak kanan sedangkan yang kedua merupakan uji pihak kiri.3.5. Untuk menguji H0 : ρ = 0 melawan H1 : ρ ≠ 0. Dalam hal lainnya H0 kita tolak. Menguji Hipotesis Kembali pada populasi bervariabel dua dengan koefisien koperasi ρ.1. maka dapat digunakan statistik t seperti dicantumkan dalam Rumus (9.16) Selanjutnya untuk taraf nyata = α. Sifat ini tidak berlaku untuk populasi yang tidak berdistribusi normal. seperti biasa harus disesuaikan dengan alternatif yang diambil.903  1. Tentu saja bentuk alternatif untuk menguji hipotesis H0 bisa H1 : ρ > 0 atau H1 : ρ < 0.3. dimana distribusi t yang digunakan mempunyai dk = (n-2).16) didapat : t= ( 0.

12) dan Rumus (9.1513) log  dan σz = 1 30 − 3 1 + 0.458 antara -2. Seperti telah dijelaskan dalam Bagian 5.1924 44 . apakah dua pihak.11) akan diperoleh distribusi normal dengan rata-rata dan simpangan baku seperti tertera dalam Rumus (9. seperti biasa. ditentukan oleh bentuk alternatif.1513) log  1 + 0. t0.060 dan 2.9729 1 − 0.75 melawan H1 : ρ ≠ 0.8758.3.060.3. maka daerah kritis.8758   = 1. Jadi H0 diterima.Jika taraf nyata α = 0.12). di situ telah didapat r = 0.3573 1 − 0.060.µz σz (9. pihak kanan atau pihak kiri.3.75 (dari hipotesis H0) didapat : µz = (1. jika diduga bahwa populasinya mempunyai ρ = 0.11) kita dapat menghitung : Z = (1. Cobalah buat sendiri kesimpulannya! Sekarang marilah kita tinjau bagaimana menguji hipotesis ρ yang tidak nol dapat dilakukan.75. Mudah dilihat bahwa t = 1. atau H1 : ρ < ρ0.75  = 0. jika sampel acak diambil dari populasinormal bervariabel dua dengan koefisien korelasi ρ ≠ 0.995 = 2. dari daftar distribusi t didapat.75   = 0.13) dengan ρ0 = 0.1. atau H1 : ρ > ρ0. s elanjutnya perlu digunakan angka z : z= Z . atau Jika taraf ternyata pengujian diambil α.3. Untuk dapat menggunakan daftar distribusi normal baku. maka dengan dk = 25. Contoh 9. telah dihitung koefisien antara banyak pengunjung dan yang berbelanja untuk sampel berukuran n = 30. maka dengan transformasi Fisher dalam Rumus (9.75 Dengan Rumus (9.5: Dalam contoh 9.8758  sedangkan dari Rumus (9.17) Angka z inilah yang akan digunakan untuk menguji hipotesis : H0 : ρ = ρ0 ≠ 0 melawan salah satu alternatif : H1 : ρ ≠ ρ0.3.05. dapatkah sampel tadi menguatkan dugaan tersebut ? Pertanyaan ini akan terjawab apabila kita melakukan pengujian terhadap hipotesis : H0 : ρ = 0.3.3.3. untuk uji dua pihak.

1513) log  1 − ρ   < 1. harus berlaku : 1. Rumus (9. Sampel itu tidak berasal dari populasi dengan ρ = 0.05.3573 .7344 0   1 + ρ0  atau  1 − ρ   < 32. maka untuk menguji hipotesis : Ho : ρ = ρ0 melawan H1 : ρ ≠ ρ0 dimana ρ0 bilangan yang akan dicari.3573 −0.µz .05.9395 0   Hal kedua adalah (ketidaksamaan sebelah kanan) : 1. Ternyata bahwa pengujian memberikan hasil yang berarti.1924 Kita selesaikan hal pertama (ketidaksamaan sebelah kiri) : 1.1.96 < < 1.96 0.1924 Jika diambil α = 0.96 0.96 < z < 1. maka daerah penerimaan H0 adalah -1.7530 dan 0.96.3573 − µz < 1.1924 1 + ρ0  atau (1.9802 0   1 + ρ0 atau > 7.3.3.µz .1 sehingga ρ0 > 0.3573 . Contoh 9.75.1513) log  1 − ρ   > 0. X 78 60 57 40 59 70 65 66 68 58 44 38 70 60 65 68 50 74 46 54 45 .00 0.96 0.9729 = 2.7530 1 − ρ0 Sampel berukuran n = 30 tadi berasal dari sebuah populasi dengan ρ yang besarnya antara 0. Tabel di bawah ini menyajikan skore motivasi belajar Matematika (X) dan prestasi belajar Matematika (Y) dari 20 siswa yang dipilih secara acak dari suatu sekolah menengah pertama (lihat soal latihan 1 kegiatan belajar 1).96 < < 1.1.Akhirnya. Latihan 3 1.6: Berasal dari populasi dengan ρ berapa sampel di muka telah diambil? Jawab : Jika diambil α = 0. supaya hipotesis bisa diterima.1 sehingga ρ0 < 0.9395.1924 1 + ρ0  atau (1.17) memberikan bilangan baku z= 1.

Suatu penelitian telah dilakukan untuk menentukan hubungan antara peubah acak X dan peubah acak Y. 2. . a..Y 85 70 65 45 78 89 50 60 75 50 50 40 87 75 78 80 45 90 50 58 Bila kita anggap bahwa baik motivasi belajar matematika (X) maupun prestasi belajar (Y) keduanya merupakan peubah acak. Jika sampel acak berukuran n yaitu: (X1.. Besaran r2 dinamakan koefisien determinasi yang menunjukkan besarnya keragaman Y yang dapat dijelaskan oleh hubungannya dengan X. dapat kita tentukan kuat lemahnya dengan menghitung koefisien korelasinya. Inferensi mengenai ρ berdasarkan r. Tentukan koefisien determinasinya! c. . Lakukan uji hipotesis H0: ρ=0 lawan Ha: ρ≠0. Y1). Tentukan selang kepercayaan 95% bagi ρ. a. . kita gunakan statistik: 46 . Namun perlu diketahui bahwa kuat lemahnya hubungan antara X dan Y yang ditunjukkan oleh koefisien korelasi ini adalah hubungan linear. Bagaimana hasilnya? Rangkuman Hubungan statistik antara peubah X dan peubah Y yang keduanya merupakan peubah acak. maka koefisien korelasi sampel antara X dan Y dinyatakan oleh rumus: r= {n ∑ X n ∑ X i Yi − (∑ X i )(∑ Yi ) 2 i − (∑ X i ) 2 }{ n ∑ Y 2 i − (∑ Yi ) 2 } yang merupakan penduga titik bagi koefisien korelasi ρ. n=12. Data hasil penelitian telah dihitung dan didapatkan hasil sebagai berikut: . Yn) dari suatu populasi. Y2). d. Hitunglah koefisien korelasi r! b. Gunakan taraf nyata α=1% dan 5%. (Xn. . (X2. Gunakan taraf nyata α=5%.. Tentukan koefisien determinasinya! c.. Lakukan uji hipotesis H0: ρ=0 lawan Ha: ρ≠0. Hitunglah koefisien korelasi r! b. .

0.898 d.143 d.7 5. 0.922 47 . 0. 19. Koefisien determinasi kita peroleh: a.0 117 95 92 96 108 92 8.914 b.9 6. 9. 2. 0.5 7.396 c. 0.956 2.4 6. dan Y yang menyatakan kinerja guru dalam memberikan pembelajaran terhadap siswanya.825 e.8 dari data tersebut di atas kita hitung: 1.9 8. 0.956 c. kita peroleh: a.645 3.928 d. -0.6 7. 0. X Y 93 96 108 86 92 80 96 7.378 e. 16. Koefisien korelasi r.3 6. dengan cara menemukan satu pilihan jawaban yang paling tepat! A. -1.1 7. 0.3 5.Z = 2 yang mnyebar normal dengan rataan µZ dan ragam σ Z . dimana: 1 1 + r  ln  2 1 − r  µZ = 1 1 + ρ  1 2  ln = dan σ Z   2 1 − ρ  n −3 Tes Formatif 3 Kerjakanlah semua soal di bawah ini.931 c.922 e.8 7.325 b. data menunjukkan harga X yang menyatakan tingkat kenyamanan guru dalam lingkungannya bekerja.4 7. 1.268 b. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a. Pada tabel di bawah ini.

maka: a.2 7.4 7.8 11.7 10.5 10.478 b.2 10.946 b. 0.566 c.866 c. 5. 0. 0.6 7. -0.896 c. Dari data tersebut kita hitung: 8.950 b. 0.8 11. X Y 10. -0. 0. 0.3 10.4 7.2 7. Data pada tabel di bawah ini menunjukkan nilai X yang menyatakan panjang sayap.738 e.666 48 .545 d. H0 tidak ditolak dan Ha ditolak d.1 10.418 7.9 7.8 8.2 10.4 7.444 b.928 d.7 7.2 10. H0 tidak ditolak dan Ha diterima e. Gunakan data pada soal B dalam Tes Formatif 1 Kegiatan Belajar 1. dan Y yang menyatakan panjang ekor beberapa burung jenis tertentu (dalam cm) hasil penelitian siswa dalam pelajaran Biologi. -2.876 e. Koefisien korelasi r kita peroleh: a. 9.4 10.922 C. 0. 2. 0. 3. 0.8 7.3 dari data di atas kita hitung: 5. -0.666 d.394 6. H0 diterima dan Ha ditolak c. Koefisien korelasi r kita peroleh: a. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a.6 11. H0 diterima dan Ha tidak ditolak B.931 c. H0 ditolak dan Ha diterima b. Koefisien determinasi kita peroleh: a.4.750 e. Oleh sebab itu. 0.4 7.1 7.

0. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a.100% = baik sekali 80% .928 d.922 Balikan dan Tindak Lanjut Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 3 yang terdapat di bagian akhir Modul ini.738 e.865 d. 3. Anda dapat meneruskan dengan Kegiatan Belajar selanjutnya. 22. Bagus! Tetapi bila tingkat penguasaan Anda masih di bawah 80%. terutama bagian yang belum Anda kuasai. 5. 0.750 e. Kemudian gunakan rumus di bawah ini untuk mengetahui tingkat penguasaan Anda terhadap materi Kegiatan Belajar 3. 0.89% = baik 70% . -2. 49 .931 c. 0. 0. Anda harus mengulangi Kegiatan Belajar 3.d. 0. Hitunglah jawaban Anda yang benar.964 9 Koefisien determinasi kita peroleh: a.79% = cukup < 70% = kurang Bila Anda mencapai tingkat penguasan 80% atau lebih.447 10.991 b.485 b.929 c. Rumus: Tingkat Penguasaan = Jumlah jawaban Anda yang benar ×100% 10 Arti tingkat penguasaan yang Anda dapat: 90% .876 e. 17. 0.

Kunci Jawaban Tes Formatif 1: 1.a 3.c 4.c 5. 50 .e 3.d 6.d 6.d 6.a 7.b 5.a 2.b 3.a 5.c 3.e.a 8.d 9.c 8.b 10.d 2.a 9.e 7.b 4.a 4.a 7.a 10.c 2. Kunci Jawaban Tes Formatif 3: 1. Kunci Jawaban Tes Formatif 2: 1.e 2.b 8.Kunci Jawaban Tes Formatif: 1.

Statistical Concepts and Methods. G. 1982. John Wiley. Introduction to Statistics. Walpole.Daftar Pustaka: Bhattacharryya.K. R. 51 . Probability and Statistics for Engineers and Scientist. Myers. R. McMillan. McMillan.A. & R. 2nd edition. Walpole. 1977.E. Johnson. 1982.H.E. 3nd edition. & R.