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

Koefisien korelasi r tentu saja didapat dengan jalan mengambil akar dari r 2. maka harga I makin dekat kepada satu.3) r2 dinamakan koefisien determinasi atau koefisien penentu.3. maka hendaknya ini ditafsirkan bahwa tidak terdapat hubungan linier antara variabel-variabel X dan Y. ialah : 38 . harga 1 − r 2 dinamakan koefisien alienasi atau koefisien perenggangan. Harga r= -1 menyatakan adanya hubungan linier sempurna tak langsung antara X dan Y. Sebaliknya jika titik-titik itu makin jauh dari garis regresi.2) akan berlaku 0 ≤ r2 < 1 sehingga untuk koefisien korelasi didapat hubungan -1 < r < +1. sedangkan harga X yang kecil berpasangan dengan Y yang kecil pula.2 Korelasi Dalam Regresi Linier Apabila garis regresi yang terbaik untuk sekumpulan data berbentuk linier. 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. Secara umum berlaku 0 < I < 1. maka derajat hubungannya akan dinyatakan dengan r dan biasa dinamakan koefisien korelasi karena rumus (9. Mudah dilihat bahwa dari Rumus (9. Letak titiktitik ada pada garis regresi linier dengan sifat bahwa harga X yang besar berpasangan dengan harga Y yang besar. Harga 1 – r2 sendiri dapat dinamakan koefisien non determinasi.1) diatas bersifat umum. Untuk keperluan perhitungan koefisien r berdasarkan sekumpulan data (X i. 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.1) dan Rumus (9. 9. 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 } (9.3.3. maka harga I makin dekat kepada nol.3. 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. Ini berarti bahwa titik-titik yang ditentukan oleh (Xi.3. Harga r= + 1menyatakan adanya hubungan linier sempurna langsung antara X dan Y. maka itu pun berlaku apabila pola hubungan antara Y dan X berbentuk regresi linier.4) Bentuk lain dapat pula digunakan. Khusus untuk r = 0. atau tepatnya terdapat garis regresi yang tuna cocok.3.kepada garis regresi. Dalam hal ini I akan diganti oleh r2 dan diperoleh : r2 = ˆ )2 ∑(Yi − Y) 2 − ∑(Yi − Y i ∑(Yi − Y) 2 (9.

ΣXiYi = 37. ΣYi = 1.3.8758 Dari hasil ini ternyata didapat korelasi positif antara banyak pengunjung X dan yang berbelanja Y. Masih ada rumus lain. maka : r2 = r2 = b1b2 (9.105.dengan s Jika persamaan regresi linier Y atas X telah ditentukan dan sudah didapat koefisien arah b. Besar hubungannya ditentukan oleh koefisien determinasi r2 = 0. berarti.029.8) Rumus itu menyatakan bahwa koefisien korelasi r adalah rata-rata ukur daripada koefisien-koefisien arah b1 dan b2. r = b sx / sy (9. sedangkan sisanya ditentukan oleh keadaan lain.094) − (1.3.001) r= {30(41.001.4) kita peroleh : 30(37. Dari rumus (9. ΣY2i = 33. meningkatnya pengunjung yang datang meningkatkan pula banyaknya yang berbelanja. 39 .7) dengan sx simpangan baku untuk variabel X dan sy simpangan baku untuk variabel Y.094.7%.029) − (1. Ini berarti bahwa meningkatnya atau menurunnya pembeli 76.x / s 2 y (9. ΣX2i = 41.105) 2 }{30(33.1: Misalkanlah kita ingin mengetahui hubungan antara banyaknya pengunjung (X) dan banyaknya yang berbelanja (Y) di sebuah toko. maka koefisien determinasi r2 dapat ditentukan oleh rumus: r2 = 2 sY = ∑(Yi − Y ) yang merupakan ragam untuk variabel Y.3. Contoh 9.7670 atau sebesar 76.599) − (1. jika koefisien arah regresi Y atas X dan b 2 koefisien arah regresi X atas Y untuk data yang sama.599 dan n = 30. Bila data telah kita hitung sebagai berikut: ΣXi = 1.3. yaitu yang ditentukan oleh koefisien arah garis regresi Y atas X dan regresi X atas Y.5) b { n ∑ X i Y − (∑ X i )(∑ Yi )} n ∑ Y 2 i − (∑ Yi ) 2 (9.105)(1.001) 2 } r = 0. dari rumus di atas dapat diturunkan rumus koefisien korelasi.7% dapat dijelaskan oleh banyaknya pengunjung melalui hubungan linier X dan Y.3.6) Dengan sedikit pengerjaan aljabar.3. 2 2 yx = ∑(Yi − Y )( X i − X ) yang merupakan kuadrat kekeliruan taksiran dan r = 1 − s 2 y.

ΣYi = 42. Maka didapat kumpulan koefisien korelasi r1. yang jelas bahwa model regresi ini bukan regresi linier. . 9. berbentuk parabola kuadratik.3. Dengan demikian ∑ i bahwa r2 = 1. Untuk ini kita gunakan Rumus (9.Contoh 9. . yakni Y = 2 + X 2. antara lain menentukan interval taksiran dan menguji hipotesis.3. ΣX2y = 28. bahwa koefisien korelasi r = 0 dihitung dengan Rumus (9. Kita lihat bahwa Y = 6. Dari kumpulan ini kita dapat membentuk distribusi sampling koefisien korelasi dan selanjutnya rata-rata dan simpangan bakunya dapat dihitung. Populasinya mempunyai ρ = 0 40 . bukan berarti tidak terdapat hubungan antara X dan Y.3. Apabila sekarang untuk X dan Y terdapat pola tertentu. ΣXiYi = 0 dan n = 7. . Yi dan harganya ˆ ) 2 = 0.2. Ini berarti bahwa terdapat hubungan sempurna antara X dan Y yang dinyatakan oleh parabola dengan persamaan Y = 2 + X2. Rata-rata dari simpangan baku untuk distribusi sampling koefisien korelasi ini akan diberi simbul µr dan σr. ini memperlihatkan. sehingga dari Rumus (9. r2.2: Misalkanlah model regresi Y = 2 + X 2.3). 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.3. misalnya bagaimana X dan Y berdistribusi. 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 = 0.4). . Contoh 9. maka analisis korelasi bisa berjalan lebih jauh. r3. 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. 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.3. ΣX2i = 336. . Sekarang. melainkan hubungan berbentuk lain (dalam hal ini kuadratik).1) mudah dilihat (Yi −Y diatas. Yang benar adalah tidak terdapat hubungan linier antara X dan Y. Memang hubungan yang ada antara X dan Y. Dibedakan dua hal : Hal A).3. marilah kita lihat berapa derajad hubungan yang ada antara X dan Y dalam bentuk kuadratik tersebut.3. Untuk ini dimisalkan bahwa X dan Y berdistribusi gabungan normal bervariabel dua yang didalamnya antara lain berisikan parameter ρ (baca : rho) sebagai koefisien korelasinya.

r  (9. maka distribusi sampling koefisien korelasi akan simetrik dengan µr = 0.ρ 0  1 σ = n -3     (9. Dalam hal ini.3.3.13) 9.r2 (9. Menaksir Koefisien Korelasi 41 . Dalam logaritma biasa.10) dengan In berarti logaritma asli.3. Populasinya mempunyai ρ ≠ 0 Jika populasi dari mana sampel acak itu diambil mempunyai ρ = ρ0 ≠ 0.Jika semua sampel acak itu berasal dari populasi normal bervariabel dua dengan ρ = 0.4.3. jika dibentuk statistik : t= r n-2 1.r  (9. dengan menggunakan sebuah transformasi akan menyebabkan distribusi yang tidak simetrik itu mendekati distribusi normal. yaitu logaritma dengan bilangan pokok e. Transformasi yang digunakan ialah transformasi Fisher : Z = ½ ln  1 + r    1.12) Rumus µz dapat pula ditulis dalam bentuk : 1 + ρ0 µz = (1.9) maka akan diperoleh distribusi Student t dengan dk = (n – 2) Hal B).11) Dengan transformasi ini. transformasi ini dapat juga ditulis sebagai : Z = (1. distribusi normal yang terjadi (suatu bentuk pendekatan) mempunyai rata-rata dan simpangan baku :  1 + ρ0 µ z = 1 2 ln   1.1513) log  1 + r    1.3.3. maka distribusi sampling koefisien korelasi tidak simetrik.1513) log  1 − ρ 0      (9.

simpangan baku σ.7066 didapat : 0.3.13) dan 1 + ρ0 µz = (1.96 28 − 3 atau 0.ρ  42 .Sebagaimana halnya menaksir prameter-prameter lain (rata-rata µ. maka r dihitung dengan Rumus (9. Jika γ = koefisien kepercayaan yang diberikan. baru batas-batas µz ditentukan.0986 + 1. untuk menentukan interval taksiran ρ dengan angka kepercayaan γ = 95% misalnya dengan Rumus (9. setelah Z didapat.4) atau yang sejenisnya.8   = 1. Taksiran titik ρ dengan mudah dapat ditentukan ialah koefisien korelasi r yang didapat dari sampel.4906 dihasilkan : 1 + ρ    = 0.3. Akhirnya batas-batas ρ dapat ditentukan dengan menggunakan batas-batas µz yang didapat dari Rumus (9.ρ  untuk µz = 1.609  1. tentukan taksiran koefisien korelasi ρ untuk populasi.3. Dari sampel itu didapat r = 0.14) dengan z½ γσz didapat dari daftar distribusi normal baku menggunakan peluang ½γ.80. Untuk µz = 0. yaitu Z. Dalam hal lain. Untuk menentukan interval taksiran koefisien korelasi ρ.80. maka untuk koefisien korelasi ρ pun didapat hal yang sama. ialah taksiran titik dan taksiran interval.3. proporsi π) ada dua macam penaksiran. maka interval taksiran µz dihitung oleh : Z – z½ γσz < µz < Z + z½ γσz (9. r dihitung dengan rumus (9.1513) log   log   1 + ρ     1.3.7066 = (1.0986 < µz < 1.11) kita peroleh : Z = (1.1513) log  1 − ρ 0      (9.15) Contoh 9.3.3).96 28 − 3 1 + 0. digunakan transformasi Fisher.06137 yang menghasilkan ρ = 0.1513) log  1.3. Jawab : Titik taksiran dengan mudah dapat ditentukan ialah ρ = 0.14).8  Dari rumus (9. Untuk kita disini hanya dibahas penaksiran koefisien korelasi apabila regresi antara X dan Y berbentu linier.3.3: Sebuah sampel acak dengan ukuran n = 28 telah diambil dari sebuah populasi normal bervariabel dua.12) dan Rumus XVI(15) didapat : 1.0986 1 − 0.7066 < µz < 1.4906 substitusikan batas-batas ini ke dalam Rumus (9. Jika hubungan antara X dan Y berbentuk regresi linier.3.

3.5. dimana distribusi t yang digunakan mempunyai dk = (n-2).28) 27 − 2 = 1.ρ  interval taksiran ρ dengan angka kepercayaan 95% adalah 0. maka kita perlu melakukan uji 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.16) Selanjutnya untuk taraf nyata = α.903 9. Contoh 9.4: Untuk pengujian H0 : ρ = 0 melawan H1 : ρ ≠ 0 berdasarkan sebuah sampel acak berukuran n = 27 dengan r = 0. Dalam hal ini.609 < ρ < 0.28.r2 1 + ρ    = 1. Daerah kritis pengujianm.3. Mengingat dalam banyak penelitian sering ingin mengetahui apakah antara dua variabel terdapat hubungan yang independen atau tidak.458 2 1 − ( 0.903  1. Dari modelnya. jika ρ = 0. maka hipotesis kita terima jika –t(1. Menguji Hipotesis Kembali pada populasi bervariabel dua dengan koefisien koperasi ρ.½α) < t < t(1.2947 yang menghasilkan ρ = 0.½ α).3. Dalam hal lainnya H0 kita tolak.1513) log   log   1 + ρ     1. jika sampel acak yang diambil dari populasi normal bervariabel dua itu berukuran n memiliki koefisien korelasi r. Dalam hal pertama merupakan uji pihak kanan sedangkan yang kedua merupakan uji pihak kiri. maka dari Rumus (9. Sehingga dalam hal populasi berdistribusi normal ρ = 0 mengakibatkan bahwa X dan Y independen dan sebaliknya. seperti biasa harus disesuaikan dengan alternatif yang diambil.16) didapat : t= ( 0. maka dapat digunakan statistik t seperti dicantumkan dalam Rumus (9. Untuk menguji H0 : ρ = 0 melawan H1 : ρ ≠ 0.3. Tentu saja bentuk alternatif untuk menguji hipotesis H0 bisa H1 : ρ > 0 atau H1 : ρ < 0.ρ  (9.1.4906 = (1. Sifat ini tidak berlaku untuk populasi yang tidak berdistribusi normal. maka ternyata bahwa X dan Y independen.3.9) yaitu : t = r n-2 1.28) 43 .

maka dengan transformasi Fisher dalam Rumus (9. atau H1 : ρ > ρ0.3. s elanjutnya perlu digunakan angka z : z= Z .75 melawan H1 : ρ ≠ 0.3.3573 1 − 0.75   = 0.8758   = 1.3.75 (dari hipotesis H0) didapat : µz = (1.060. atau H1 : ρ < ρ0. untuk uji dua pihak. pihak kanan atau pihak kiri. maka daerah kritis.17) Angka z inilah yang akan digunakan untuk menguji hipotesis : H0 : ρ = ρ0 ≠ 0 melawan salah satu alternatif : H1 : ρ ≠ ρ0. telah dihitung koefisien antara banyak pengunjung dan yang berbelanja untuk sampel berukuran n = 30.11) akan diperoleh distribusi normal dengan rata-rata dan simpangan baku seperti tertera dalam Rumus (9.µz σz (9. jika diduga bahwa populasinya mempunyai ρ = 0.3.12). Mudah dilihat bahwa t = 1.1924 44 .8758  sedangkan dari Rumus (9. Seperti telah dijelaskan dalam Bagian 5.75.3.5: Dalam contoh 9.75  = 0.9729 1 − 0.1513) log  1 + 0.060. t0. Contoh 9.1.Jika taraf nyata α = 0.11) kita dapat menghitung : Z = (1. Cobalah buat sendiri kesimpulannya! Sekarang marilah kita tinjau bagaimana menguji hipotesis ρ yang tidak nol dapat dilakukan. apakah dua pihak.1513) log  dan σz = 1 30 − 3 1 + 0. Untuk dapat menggunakan daftar distribusi normal baku.458 antara -2. dapatkah sampel tadi menguatkan dugaan tersebut ? Pertanyaan ini akan terjawab apabila kita melakukan pengujian terhadap hipotesis : H0 : ρ = 0.75 Dengan Rumus (9.12) dan Rumus (9.05.3.3. atau Jika taraf ternyata pengujian diambil α. maka dengan dk = 25. di situ telah didapat r = 0. jika sampel acak diambil dari populasinormal bervariabel dua dengan koefisien korelasi ρ ≠ 0. Jadi H0 diterima. seperti biasa.3.060 dan 2.995 = 2.13) dengan ρ0 = 0.8758. ditentukan oleh bentuk alternatif. dari daftar distribusi t didapat.

7530 1 − ρ0 Sampel berukuran n = 30 tadi berasal dari sebuah populasi dengan ρ yang besarnya antara 0.96 0. Contoh 9. Latihan 3 1.µz .1.96 < z < 1.9729 = 2.6: Berasal dari populasi dengan ρ berapa sampel di muka telah diambil? Jawab : Jika diambil α = 0.9395.1924 Kita selesaikan hal pertama (ketidaksamaan sebelah kiri) : 1.17) memberikan bilangan baku z= 1.9802 0   1 + ρ0 atau > 7.3573 . maka daerah penerimaan H0 adalah -1.1924 1 + ρ0  atau (1.µz .96 < < 1. harus berlaku : 1.96 < < 1.05.1 sehingga ρ0 < 0.96. 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).96 0.3.3573 .00 0.7344 0   1 + ρ0  atau  1 − ρ   < 32.1. Ternyata bahwa pengujian memberikan hasil yang berarti.Akhirnya.96 0.05.9395 0   Hal kedua adalah (ketidaksamaan sebelah kanan) : 1.3573 −0. Rumus (9.3573 − µz < 1.1513) log  1 − ρ   > 0.3.7530 dan 0. Sampel itu tidak berasal dari populasi dengan ρ = 0.1513) log  1 − ρ   < 1. X 78 60 57 40 59 70 65 66 68 58 44 38 70 60 65 68 50 74 46 54 45 . maka untuk menguji hipotesis : Ho : ρ = ρ0 melawan H1 : ρ ≠ ρ0 dimana ρ0 bilangan yang akan dicari.1 sehingga ρ0 > 0.75.1924 1 + ρ0  atau (1. supaya hipotesis bisa diterima.1924 Jika diambil α = 0.

Yn) dari suatu populasi. ... a. . Hitunglah koefisien korelasi r! b. . Bagaimana hasilnya? Rangkuman Hubungan statistik antara peubah X dan peubah Y yang keduanya merupakan peubah acak. a. 2.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.. Besaran r2 dinamakan koefisien determinasi yang menunjukkan besarnya keragaman Y yang dapat dijelaskan oleh hubungannya dengan X. Tentukan koefisien determinasinya! c. Gunakan taraf nyata α=5%. Inferensi mengenai ρ berdasarkan r. Hitunglah koefisien korelasi r! b. Lakukan uji hipotesis H0: ρ=0 lawan Ha: ρ≠0. d. kita gunakan statistik: 46 . Namun perlu diketahui bahwa kuat lemahnya hubungan antara X dan Y yang ditunjukkan oleh koefisien korelasi ini adalah hubungan linear. n=12. Gunakan taraf nyata α=1% dan 5%. Jika sampel acak berukuran n yaitu: (X1. Tentukan koefisien determinasinya! c.. dapat kita tentukan kuat lemahnya dengan menghitung koefisien korelasinya. . Lakukan uji hipotesis H0: ρ=0 lawan Ha: ρ≠0. Y2). Tentukan selang kepercayaan 95% bagi ρ. (Xn. . Suatu penelitian telah dilakukan untuk menentukan hubungan antara peubah acak X dan peubah acak Y. Y1). Data hasil penelitian telah dihitung dan didapatkan hasil sebagai berikut: . 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. (X2.

5 7. 1.956 2.7 5.325 b. 0.4 6.4 7.396 c. 0.3 6. 0. 0. kita peroleh: a.143 d. X Y 93 96 108 86 92 80 96 7.931 c.922 e. 0.0 117 95 92 96 108 92 8.914 b.3 5.956 c. 0. 19. -0. 16. data menunjukkan harga X yang menyatakan tingkat kenyamanan guru dalam lingkungannya bekerja. dengan cara menemukan satu pilihan jawaban yang paling tepat! A.1 7.8 dari data tersebut di atas kita hitung: 1. Pada tabel di bawah ini. -1.898 d. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a.6 7.922 47 . 0.825 e.9 8. Koefisien korelasi r.928 d.268 b.9 6. 2.Z = 2 yang mnyebar normal dengan rataan µZ dan ragam σ Z . dan Y yang menyatakan kinerja guru dalam memberikan pembelajaran terhadap siswanya.378 e.645 3. 9. Koefisien determinasi kita peroleh: a. 0.8 7. 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.

4 7.3 dari data di atas kita hitung: 5. H0 tidak ditolak dan Ha ditolak d. Data pada tabel di bawah ini menunjukkan nilai X yang menyatakan panjang sayap. 0.2 7. Koefisien korelasi r kita peroleh: a. Gunakan data pada soal B dalam Tes Formatif 1 Kegiatan Belajar 1. 0.6 11. X Y 10.866 c.950 b.3 10. -2. H0 tidak ditolak dan Ha diterima e.8 11.666 d. -0. 0.4 7. 0.1 10. 9.6 7.8 7.8 8. 0.566 c. maka: a.4 7.1 7. 0.7 10.2 10.9 7. Oleh sebab itu.738 e.750 e. Koefisien determinasi kita peroleh: a. -0.7 7.5 10.928 d.478 b. H0 ditolak dan Ha diterima b. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a.394 6.922 C.946 b. dan Y yang menyatakan panjang ekor beberapa burung jenis tertentu (dalam cm) hasil penelitian siswa dalam pelajaran Biologi.666 48 .2 7. 0.444 b. 5. 2.4. Dari data tersebut kita hitung: 8. 0. 0.545 d.931 c. Koefisien korelasi r kita peroleh: a. 0. 3.876 e.896 c.4 7. H0 diterima dan Ha ditolak c. -0.418 7.4 10.2 10. H0 diterima dan Ha tidak ditolak B.8 11.2 10.

-2.876 e. 0.89% = baik 70% . Rumus: Tingkat Penguasaan = Jumlah jawaban Anda yang benar ×100% 10 Arti tingkat penguasaan yang Anda dapat: 90% . Kemudian gunakan rumus di bawah ini untuk mengetahui tingkat penguasaan Anda terhadap materi Kegiatan Belajar 3.750 e.964 9 Koefisien determinasi kita peroleh: a.79% = cukup < 70% = kurang Bila Anda mencapai tingkat penguasan 80% atau lebih.928 d. 5. 0. 0. 0. terutama bagian yang belum Anda kuasai. 17. 0.991 b. 0. 49 . 3.929 c.d. 0.865 d. Bagus! Tetapi bila tingkat penguasaan Anda masih di bawah 80%.100% = baik sekali 80% . Hitunglah jawaban Anda yang benar. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a. Anda harus mengulangi Kegiatan Belajar 3.738 e. Anda dapat meneruskan dengan Kegiatan Belajar selanjutnya.485 b. 22.922 Balikan dan Tindak Lanjut Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 3 yang terdapat di bagian akhir Modul ini.931 c.447 10.

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

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

Sign up to vote on this title
UsefulNot useful