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

atau tepatnya terdapat garis regresi yang tuna cocok.kepada garis regresi.3. maka harga I makin dekat kepada satu. Ini berarti bahwa titik-titik yang ditentukan oleh (Xi.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. Koefisien korelasi r tentu saja didapat dengan jalan mengambil akar dari r 2.3. maka hendaknya ini ditafsirkan bahwa tidak terdapat hubungan linier antara variabel-variabel X dan Y. Khusus untuk r = 0.1) diatas bersifat umum. Letak titiktitik ada pada garis regresi linier dengan sifat bahwa harga X yang besar berpasangan dengan harga Y yang besar. Dalam hal ini I akan diganti oleh r2 dan diperoleh : r2 = ˆ )2 ∑(Yi − Y) 2 − ∑(Yi − Y i ∑(Yi − Y) 2 (9. Untuk keperluan perhitungan koefisien r berdasarkan sekumpulan data (X i. Harga r= -1 menyatakan adanya hubungan linier sempurna tak langsung antara X dan Y. Harga r= + 1menyatakan adanya hubungan linier sempurna langsung antara X dan Y. 9. Sebaliknya jika titik-titik itu makin jauh dari garis regresi.3. harga 1 − r 2 dinamakan koefisien alienasi atau koefisien perenggangan. sedangkan harga X yang kecil berpasangan dengan Y yang kecil pula.1) dan Rumus (9.3. Mudah dilihat bahwa dari Rumus (9.3.3. 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. Harga 1 – r2 sendiri dapat dinamakan koefisien non determinasi.2) akan berlaku 0 ≤ r2 < 1 sehingga untuk koefisien korelasi didapat hubungan -1 < r < +1. 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.2 Korelasi Dalam Regresi Linier Apabila garis regresi yang terbaik untuk sekumpulan data berbentuk linier. ialah : 38 . maka derajat hubungannya akan dinyatakan dengan r dan biasa dinamakan koefisien korelasi karena rumus (9.4) Bentuk lain dapat pula digunakan. 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. maka itu pun berlaku apabila pola hubungan antara Y dan X berbentuk regresi linier. Secara umum berlaku 0 < I < 1. maka harga I makin dekat kepada nol.

599) − (1.1: Misalkanlah kita ingin mengetahui hubungan antara banyaknya pengunjung (X) dan banyaknya yang berbelanja (Y) di sebuah toko. jika koefisien arah regresi Y atas X dan b 2 koefisien arah regresi X atas Y untuk data yang sama.3. ΣX2i = 41.3. 39 .029. Masih ada rumus lain. Besar hubungannya ditentukan oleh koefisien determinasi r2 = 0.8758 Dari hasil ini ternyata didapat korelasi positif antara banyak pengunjung X dan yang berbelanja Y.094.x / s 2 y (9.7%. Ini berarti bahwa meningkatnya atau menurunnya pembeli 76.3. maka koefisien determinasi r2 dapat ditentukan oleh rumus: r2 = 2 sY = ∑(Yi − Y ) yang merupakan ragam untuk variabel Y. ΣYi = 1.4) kita peroleh : 30(37. dari rumus di atas dapat diturunkan rumus koefisien korelasi. 2 2 yx = ∑(Yi − Y )( X i − X ) yang merupakan kuadrat kekeliruan taksiran dan r = 1 − s 2 y.3.7) dengan sx simpangan baku untuk variabel X dan sy simpangan baku untuk variabel Y. ΣXiYi = 37.001) 2 } r = 0.001) r= {30(41.3.5) b { n ∑ X i Y − (∑ X i )(∑ Yi )} n ∑ Y 2 i − (∑ Yi ) 2 (9. Contoh 9.dengan s Jika persamaan regresi linier Y atas X telah ditentukan dan sudah didapat koefisien arah b. berarti.001. Dari rumus (9.105)(1. meningkatnya pengunjung yang datang meningkatkan pula banyaknya yang berbelanja.029) − (1. Bila data telah kita hitung sebagai berikut: ΣXi = 1.599 dan n = 30.6) Dengan sedikit pengerjaan aljabar. ΣY2i = 33. sedangkan sisanya ditentukan oleh keadaan lain.3.7670 atau sebesar 76.105.105) 2 }{30(33.094) − (1. r = b sx / sy (9.7% dapat dijelaskan oleh banyaknya pengunjung melalui hubungan linier X dan Y.8) Rumus itu menyatakan bahwa koefisien korelasi r adalah rata-rata ukur daripada koefisien-koefisien arah b1 dan b2. yaitu yang ditentukan oleh koefisien arah garis regresi Y atas X dan regresi X atas Y. maka : r2 = r2 = b1b2 (9.

Apabila sekarang untuk X dan Y terdapat pola tertentu.3. . Memang hubungan yang ada antara X dan Y. Ini berarti bahwa terdapat hubungan sempurna antara X dan Y yang dinyatakan oleh parabola dengan persamaan Y = 2 + X2. ini memperlihatkan.3. ΣX2i = 336. Untuk ini kita gunakan Rumus (9. 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. . misalnya bagaimana X dan Y berdistribusi. r2. ΣYi = 42.3). 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. Yang benar adalah tidak terdapat hubungan linier antara X dan Y. Dari kumpulan ini kita dapat membentuk distribusi sampling koefisien korelasi dan selanjutnya rata-rata dan simpangan bakunya dapat dihitung. 9. 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. . Rata-rata dari simpangan baku untuk distribusi sampling koefisien korelasi ini akan diberi simbul µr dan σr. Untuk ini dimisalkan bahwa X dan Y berdistribusi gabungan normal bervariabel dua yang didalamnya antara lain berisikan parameter ρ (baca : rho) sebagai koefisien korelasinya. antara lain menentukan interval taksiran dan menguji hipotesis. Kita lihat bahwa Y = 6. yang jelas bahwa model regresi ini bukan regresi linier. berbentuk parabola kuadratik.2: Misalkanlah model regresi Y = 2 + X 2. 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. Sekarang. yakni Y = 2 + X 2. . Populasinya mempunyai ρ = 0 40 .4). Yi dan harganya ˆ ) 2 = 0. ΣX2y = 28. Maka didapat kumpulan koefisien korelasi r1.3.Contoh 9. Dengan demikian ∑ i bahwa r2 = 1.3.1) mudah dilihat (Yi −Y diatas. Contoh 9. melainkan hubungan berbentuk lain (dalam hal ini kuadratik). marilah kita lihat berapa derajad hubungan yang ada antara X dan Y dalam bentuk kuadratik tersebut. bahwa koefisien korelasi r = 0 dihitung dengan Rumus (9. bukan berarti tidak terdapat hubungan antara X dan Y. Dibedakan dua hal : Hal A).3. .3. r3. sehingga dari Rumus (9. ΣXiYi = 0 dan n = 7.2. maka analisis korelasi bisa berjalan lebih jauh.3.

r2 (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.r  (9.11) Dengan transformasi ini.1513) log  1 − ρ 0      (9.10) dengan In berarti logaritma asli. maka distribusi sampling koefisien korelasi akan simetrik dengan µr = 0.4.3.3.3. yaitu logaritma dengan bilangan pokok e. maka distribusi sampling koefisien korelasi tidak simetrik. jika dibentuk statistik : t= r n-2 1. dengan menggunakan sebuah transformasi akan menyebabkan distribusi yang tidak simetrik itu mendekati distribusi normal. Dalam logaritma biasa.3. Menaksir Koefisien Korelasi 41 .1513) log  1 + r    1.r  (9.ρ 0  1 σ = n -3     (9. 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 = 0.9) maka akan diperoleh distribusi Student t dengan dk = (n – 2) Hal B).3.12) Rumus µz dapat pula ditulis dalam bentuk : 1 + ρ0 µz = (1. Dalam hal ini. transformasi ini dapat juga ditulis sebagai : Z = (1.13) 9.3.

4906 dihasilkan : 1 + ρ    = 0.14). Dalam hal lain. digunakan transformasi Fisher.609  1.3. yaitu Z. setelah Z didapat.ρ  42 .15) Contoh 9.96 28 − 3 atau 0.ρ  untuk µz = 1.80.3. Untuk µz = 0. Untuk menentukan interval taksiran koefisien korelasi ρ.0986 1 − 0.3. maka interval taksiran µz dihitung oleh : Z – z½ γσz < µz < Z + z½ γσz (9.8   = 1.1513) log   log   1 + ρ     1.Sebagaimana halnya menaksir prameter-prameter lain (rata-rata µ. Taksiran titik ρ dengan mudah dapat ditentukan ialah koefisien korelasi r yang didapat dari sampel.3.3. Jawab : Titik taksiran dengan mudah dapat ditentukan ialah ρ = 0.3.96 28 − 3 1 + 0. maka untuk koefisien korelasi ρ pun didapat hal yang sama.7066 < µz < 1.1513) log  1 − ρ 0      (9.14) dengan z½ γσz didapat dari daftar distribusi normal baku menggunakan peluang ½γ.4906 substitusikan batas-batas ini ke dalam Rumus (9.8  Dari rumus (9. Akhirnya batas-batas ρ dapat ditentukan dengan menggunakan batas-batas µz yang didapat dari Rumus (9.3).1513) log  1. r dihitung dengan rumus (9. proporsi π) ada dua macam penaksiran.0986 + 1.3.11) kita peroleh : Z = (1. simpangan baku σ. Jika γ = koefisien kepercayaan yang diberikan. Jika hubungan antara X dan Y berbentuk regresi linier. baru batas-batas µz ditentukan.0986 < µz < 1. maka r dihitung dengan Rumus (9. tentukan taksiran koefisien korelasi ρ untuk populasi.3.3: Sebuah sampel acak dengan ukuran n = 28 telah diambil dari sebuah populasi normal bervariabel dua.80. Dari sampel itu didapat r = 0.3.06137 yang menghasilkan ρ = 0.12) dan Rumus XVI(15) didapat : 1.7066 didapat : 0. ialah taksiran titik dan taksiran interval.13) dan 1 + ρ0 µz = (1.4) atau yang sejenisnya. Untuk kita disini hanya dibahas penaksiran koefisien korelasi apabila regresi antara X dan Y berbentu linier. untuk menentukan interval taksiran ρ dengan angka kepercayaan γ = 95% misalnya dengan Rumus (9.7066 = (1.

2947 yang menghasilkan ρ = 0. Tentu saja bentuk alternatif untuk menguji hipotesis H0 bisa H1 : ρ > 0 atau H1 : ρ < 0.28) 27 − 2 = 1.16) Selanjutnya untuk taraf nyata = α. Dari modelnya. maka kita perlu melakukan uji independen. jika sampel acak yang diambil dari populasi normal bervariabel dua itu berukuran n memiliki koefisien korelasi r.½α) < t < t(1.½ α). Daerah kritis pengujianm.ρ  (9.3. Untuk menguji H0 : ρ = 0 melawan H1 : ρ ≠ 0.16) didapat : t= ( 0. maka dapat digunakan statistik t seperti dicantumkan dalam Rumus (9. maka dari Rumus (9.3.903  1.28) 43 .458 2 1 − ( 0.ρ  interval taksiran ρ dengan angka kepercayaan 95% adalah 0.4: Untuk pengujian H0 : ρ = 0 melawan H1 : ρ ≠ 0 berdasarkan sebuah sampel acak berukuran n = 27 dengan r = 0. Dalam hal lainnya H0 kita tolak. Menguji Hipotesis Kembali pada populasi bervariabel dua dengan koefisien koperasi ρ.4906 = (1.1513) log   log   1 + ρ     1. maka ternyata bahwa X dan Y independen.r2 1 + ρ    = 1. Contoh 9.1. dimana distribusi t yang digunakan mempunyai dk = (n-2). Mengingat dalam banyak penelitian sering ingin mengetahui apakah antara dua variabel terdapat hubungan yang independen atau tidak.5. jika ρ = 0. 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.3. maka hipotesis kita terima jika –t(1. Sifat ini tidak berlaku untuk populasi yang tidak berdistribusi normal.609 < ρ < 0.3. Dalam hal pertama merupakan uji pihak kanan sedangkan yang kedua merupakan uji pihak kiri.28.903 9.9) yaitu : t = r n-2 1.3. Sehingga dalam hal populasi berdistribusi normal ρ = 0 mengakibatkan bahwa X dan Y independen dan sebaliknya. seperti biasa harus disesuaikan dengan alternatif yang diambil. Dalam hal ini.

75  = 0.Jika taraf nyata α = 0.3. dapatkah sampel tadi menguatkan dugaan tersebut ? Pertanyaan ini akan terjawab apabila kita melakukan pengujian terhadap hipotesis : H0 : ρ = 0. apakah dua pihak.1924 44 . telah dihitung koefisien antara banyak pengunjung dan yang berbelanja untuk sampel berukuran n = 30. maka dengan dk = 25.3. Mudah dilihat bahwa t = 1. dari daftar distribusi t didapat.458 antara -2.3. s elanjutnya perlu digunakan angka z : z= Z .12).3.75 Dengan Rumus (9. Cobalah buat sendiri kesimpulannya! Sekarang marilah kita tinjau bagaimana menguji hipotesis ρ yang tidak nol dapat dilakukan.060.11) akan diperoleh distribusi normal dengan rata-rata dan simpangan baku seperti tertera dalam Rumus (9.µz σz (9. atau Jika taraf ternyata pengujian diambil α.3.1513) log  dan σz = 1 30 − 3 1 + 0.75.3. di situ telah didapat r = 0.995 = 2. ditentukan oleh bentuk alternatif.8758.060.11) kita dapat menghitung : Z = (1.9729 1 − 0. jika sampel acak diambil dari populasinormal bervariabel dua dengan koefisien korelasi ρ ≠ 0. jika diduga bahwa populasinya mempunyai ρ = 0.5: Dalam contoh 9. untuk uji dua pihak.12) dan Rumus (9. atau H1 : ρ > ρ0. maka dengan transformasi Fisher dalam Rumus (9. Seperti telah dijelaskan dalam Bagian 5.75   = 0. pihak kanan atau pihak kiri.05.75 (dari hipotesis H0) didapat : µz = (1. atau H1 : ρ < ρ0.17) Angka z inilah yang akan digunakan untuk menguji hipotesis : H0 : ρ = ρ0 ≠ 0 melawan salah satu alternatif : H1 : ρ ≠ ρ0.75 melawan H1 : ρ ≠ 0.3. t0.13) dengan ρ0 = 0.3.3573 1 − 0. Untuk dapat menggunakan daftar distribusi normal baku. Jadi H0 diterima. maka daerah kritis. seperti biasa.1513) log  1 + 0.060 dan 2. Contoh 9.1.8758  sedangkan dari Rumus (9.8758   = 1.

1513) log  1 − ρ   > 0.1924 1 + ρ0  atau (1.96 0.3.96 < < 1.µz .96. 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).00 0.3573 − µz < 1.05.1 sehingga ρ0 < 0.1924 1 + ρ0  atau (1.3573 .17) memberikan bilangan baku z= 1.Akhirnya.9395. Ternyata bahwa pengujian memberikan hasil yang berarti. supaya hipotesis bisa diterima.1.7344 0   1 + ρ0  atau  1 − ρ   < 32.96 < z < 1. Rumus (9. X 78 60 57 40 59 70 65 66 68 58 44 38 70 60 65 68 50 74 46 54 45 . Sampel itu tidak berasal dari populasi dengan ρ = 0.1924 Jika diambil α = 0.7530 1 − ρ0 Sampel berukuran n = 30 tadi berasal dari sebuah populasi dengan ρ yang besarnya antara 0.µz . maka untuk menguji hipotesis : Ho : ρ = ρ0 melawan H1 : ρ ≠ ρ0 dimana ρ0 bilangan yang akan dicari.3. maka daerah penerimaan H0 adalah -1.9395 0   Hal kedua adalah (ketidaksamaan sebelah kanan) : 1.1 sehingga ρ0 > 0.96 0.3573 . Latihan 3 1.9729 = 2.1.3573 −0.75.9802 0   1 + ρ0 atau > 7.1924 Kita selesaikan hal pertama (ketidaksamaan sebelah kiri) : 1.6: Berasal dari populasi dengan ρ berapa sampel di muka telah diambil? Jawab : Jika diambil α = 0.96 < < 1.1513) log  1 − ρ   < 1. Contoh 9.7530 dan 0. harus berlaku : 1.05.96 0.

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. Suatu penelitian telah dilakukan untuk menentukan hubungan antara peubah acak X dan peubah acak Y. Bagaimana hasilnya? Rangkuman Hubungan statistik antara peubah X dan peubah Y yang 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. Tentukan koefisien determinasinya! c. Inferensi mengenai ρ berdasarkan r.. kita gunakan statistik: 46 . 2. Data hasil penelitian telah dihitung dan didapatkan hasil sebagai berikut: . Lakukan uji hipotesis H0: ρ=0 lawan Ha: ρ≠0. Y2). Yn) dari suatu populasi. (Xn. d. n=12. . Namun perlu diketahui bahwa kuat lemahnya hubungan antara X dan Y yang ditunjukkan oleh koefisien korelasi ini adalah hubungan linear. . Tentukan selang kepercayaan 95% bagi ρ. dapat kita tentukan kuat lemahnya dengan menghitung koefisien korelasinya. a. Tentukan koefisien determinasinya! c. a. Hitunglah koefisien korelasi r! b.. . Y1). Hitunglah koefisien korelasi r! b. 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. Gunakan taraf nyata α=1% dan 5%. .. (X2. Lakukan uji hipotesis H0: ρ=0 lawan Ha: ρ≠0. . Gunakan taraf nyata α=5%..

956 2.9 8. 0. -0.Z = 2 yang mnyebar normal dengan rataan µZ dan ragam σ Z . data menunjukkan harga X yang menyatakan tingkat kenyamanan guru dalam lingkungannya bekerja. X Y 93 96 108 86 92 80 96 7.4 6.9 6.8 7. 0. 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. Koefisien determinasi kita peroleh: a. 0. 0.5 7.645 3. 0.325 b. 0.8 dari data tersebut di atas kita hitung: 1.268 b.4 7. dan Y yang menyatakan kinerja guru dalam memberikan pembelajaran terhadap siswanya.931 c.6 7. 16.1 7.143 d. 2. 19. 0.922 e. Koefisien korelasi r.956 c.3 5.914 b.928 d.898 d.378 e.825 e. -1.396 c. 0. 9.3 6. 1. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a.7 5.922 47 . kita peroleh: a. Pada tabel di bawah ini.0 117 95 92 96 108 92 8. dengan cara menemukan satu pilihan jawaban yang paling tepat! A.

928 d. maka: a.394 6.750 e.2 10. X Y 10. H0 ditolak dan Ha diterima b. Data pada tabel di bawah ini menunjukkan nilai X yang menyatakan panjang sayap. -0. dan Y yang menyatakan panjang ekor beberapa burung jenis tertentu (dalam cm) hasil penelitian siswa dalam pelajaran Biologi. 0.9 7.6 11.1 10.950 b.1 7. -2.4.3 dari data di atas kita hitung: 5.7 7. 0.8 11. 9. 5.8 8. 0.566 c.2 10.876 e. 3. 0.2 7. 0.738 e.444 b.2 10. Koefisien korelasi r kita peroleh: a.6 7. H0 tidak ditolak dan Ha diterima e.5 10. 0. Koefisien korelasi r kita peroleh: a.4 7. 0.8 7.8 11. 0. Koefisien determinasi kita peroleh: a.946 b.4 7.545 d.4 10.3 10. 0. -0.4 7.666 48 .418 7.478 b.4 7. 0. -0.2 7. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a.666 d.922 C.7 10. H0 tidak ditolak dan Ha ditolak d. H0 diterima dan Ha ditolak c.866 c. Dari data tersebut kita hitung: 8. H0 diterima dan Ha tidak ditolak B.896 c. Oleh sebab itu. 2. Gunakan data pada soal B dalam Tes Formatif 1 Kegiatan Belajar 1.931 c.

964 9 Koefisien determinasi kita peroleh: a.738 e. 0. Anda harus mengulangi Kegiatan Belajar 3. 0. Kemudian gunakan rumus di bawah ini untuk mengetahui tingkat penguasaan Anda terhadap materi Kegiatan Belajar 3. Anda dapat meneruskan dengan Kegiatan Belajar selanjutnya.931 c.447 10. -2.991 b. 0. 0.d. 17.929 c.750 e.865 d. Hitunglah jawaban Anda yang benar. 3. Rumus: Tingkat Penguasaan = Jumlah jawaban Anda yang benar ×100% 10 Arti tingkat penguasaan yang Anda dapat: 90% . 0.485 b.876 e. 49 . terutama bagian yang belum Anda kuasai. 0.79% = cukup < 70% = kurang Bila Anda mencapai tingkat penguasan 80% atau lebih. 0.928 d.922 Balikan dan Tindak Lanjut Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 3 yang terdapat di bagian akhir Modul ini. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a. 22.89% = baik 70% . Bagus! Tetapi bila tingkat penguasaan Anda masih di bawah 80%.100% = baik sekali 80% . 5.

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

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

Sign up to vote on this title
UsefulNot useful