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

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. 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 derajat hubungannya akan dinyatakan dengan r dan biasa dinamakan koefisien korelasi karena rumus (9. ialah : 38 . harga 1 − r 2 dinamakan koefisien alienasi atau koefisien perenggangan.4) Bentuk lain dapat pula digunakan. Koefisien korelasi r tentu saja didapat dengan jalan mengambil akar dari r 2. Sebaliknya jika titik-titik itu makin jauh dari garis regresi. maka harga I makin dekat kepada nol. maka itu pun berlaku apabila pola hubungan antara Y dan X berbentuk regresi linier.2 Korelasi Dalam Regresi Linier Apabila garis regresi yang terbaik untuk sekumpulan data berbentuk linier. Letak titiktitik ada pada garis regresi linier dengan sifat bahwa harga X yang besar berpasangan dengan harga Y yang besar.3.2) akan berlaku 0 ≤ r2 < 1 sehingga untuk koefisien korelasi didapat hubungan -1 < r < +1. maka harga I makin dekat kepada satu.1) dan Rumus (9. atau tepatnya terdapat garis regresi yang tuna cocok.3. sedangkan harga X yang kecil berpasangan dengan Y yang kecil pula. Harga r= -1 menyatakan adanya hubungan linier sempurna tak langsung antara X dan Y.1) diatas bersifat umum. Harga 1 – r2 sendiri dapat dinamakan koefisien non determinasi. Ini berarti bahwa titik-titik yang ditentukan oleh (Xi. Untuk keperluan perhitungan koefisien r berdasarkan sekumpulan data (X i.3.3. Secara umum berlaku 0 < I < 1. 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. maka hendaknya ini ditafsirkan bahwa tidak terdapat hubungan linier antara variabel-variabel X dan Y. Harga r= + 1menyatakan adanya hubungan linier sempurna langsung antara 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.3) r2 dinamakan koefisien determinasi atau koefisien penentu. 9.kepada garis regresi.3. Mudah dilihat bahwa dari Rumus (9. Dalam hal ini I akan diganti oleh r2 dan diperoleh : r2 = ˆ )2 ∑(Yi − Y) 2 − ∑(Yi − Y i ∑(Yi − Y) 2 (9. Khusus untuk r = 0.

001.3. meningkatnya pengunjung yang datang meningkatkan pula banyaknya yang berbelanja.5) b { n ∑ X i Y − (∑ X i )(∑ Yi )} n ∑ Y 2 i − (∑ Yi ) 2 (9. Masih ada rumus lain.599 dan n = 30.001) 2 } r = 0.dengan s Jika persamaan regresi linier Y atas X telah ditentukan dan sudah didapat koefisien arah b. Bila data telah kita hitung sebagai berikut: ΣXi = 1.3.094) − (1. r = b sx / sy (9.8) Rumus itu menyatakan bahwa koefisien korelasi r adalah rata-rata ukur daripada koefisien-koefisien arah b1 dan b2.6) Dengan sedikit pengerjaan aljabar.599) − (1.1: Misalkanlah kita ingin mengetahui hubungan antara banyaknya pengunjung (X) dan banyaknya yang berbelanja (Y) di sebuah toko.3.3. ΣXiYi = 37. Contoh 9. jika koefisien arah regresi Y atas X dan b 2 koefisien arah regresi X atas Y untuk data yang sama. maka : r2 = r2 = b1b2 (9. 2 2 yx = ∑(Yi − Y )( X i − X ) yang merupakan kuadrat kekeliruan taksiran dan r = 1 − s 2 y. ΣYi = 1.001) r= {30(41.105)(1. Besar hubungannya ditentukan oleh koefisien determinasi r2 = 0. maka koefisien determinasi r2 dapat ditentukan oleh rumus: r2 = 2 sY = ∑(Yi − Y ) yang merupakan ragam untuk variabel Y.029. Ini berarti bahwa meningkatnya atau menurunnya pembeli 76.7) dengan sx simpangan baku untuk variabel X dan sy simpangan baku untuk variabel Y.029) − (1. sedangkan sisanya ditentukan oleh keadaan lain. dari rumus di atas dapat diturunkan rumus koefisien korelasi.105) 2 }{30(33.105. berarti.4) kita peroleh : 30(37.7%. yaitu yang ditentukan oleh koefisien arah garis regresi Y atas X dan regresi X atas Y.7% dapat dijelaskan oleh banyaknya pengunjung melalui hubungan linier X dan Y. ΣX2i = 41.3.094.3. ΣY2i = 33.7670 atau sebesar 76.x / s 2 y (9. 39 . Dari rumus (9.8758 Dari hasil ini ternyata didapat korelasi positif antara banyak pengunjung X dan yang berbelanja Y.

3. ΣYi = 42.1) mudah dilihat (Yi −Y diatas. .3.4). ΣXiYi = 0 dan n = 7. Kita lihat bahwa Y = 6. yang jelas bahwa model regresi ini bukan regresi linier. ΣX2i = 336. r2. sehingga dari Rumus (9. berbentuk parabola kuadratik. ini memperlihatkan. Untuk ini kita gunakan Rumus (9. Dari kumpulan ini kita dapat membentuk distribusi sampling koefisien korelasi dan selanjutnya rata-rata dan simpangan bakunya dapat dihitung. yakni Y = 2 + X 2. r3. bahwa koefisien korelasi r = 0 dihitung dengan Rumus (9. Populasinya mempunyai ρ = 0 40 . ΣX2y = 28.3.3).Contoh 9. Dibedakan dua hal : Hal A). melainkan hubungan berbentuk lain (dalam hal ini kuadratik).3. 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. bukan berarti tidak terdapat hubungan antara X dan Y.3. Sekarang. . Contoh 9. Yang benar adalah tidak terdapat hubungan linier antara X dan Y.3. Ini berarti bahwa terdapat hubungan sempurna antara X dan Y yang dinyatakan oleh parabola dengan persamaan Y = 2 + X2. . misalnya bagaimana X dan Y berdistribusi. Dengan demikian ∑ i bahwa r2 = 1. antara lain menentukan interval taksiran dan menguji hipotesis. Apabila sekarang untuk X dan Y terdapat pola tertentu. marilah kita lihat berapa derajad hubungan yang ada antara X dan Y dalam bentuk kuadratik tersebut.3.2: Misalkanlah model regresi Y = 2 + X 2. Untuk ini dimisalkan bahwa X dan Y berdistribusi gabungan normal bervariabel dua yang didalamnya antara lain berisikan parameter ρ (baca : rho) sebagai koefisien korelasinya. Yi dan harganya ˆ ) 2 = 0. . Rata-rata dari simpangan baku untuk distribusi sampling koefisien korelasi ini akan diberi simbul µr dan σr. Memang hubungan yang ada 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. . 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. 9.2. Maka didapat kumpulan koefisien korelasi r1. 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.

10) dengan In berarti logaritma asli.3. distribusi normal yang terjadi (suatu bentuk pendekatan) mempunyai rata-rata dan simpangan baku :  1 + ρ0 µ z = 1 2 ln   1.3.3.11) Dengan transformasi ini.r  (9. dengan menggunakan sebuah transformasi akan menyebabkan distribusi yang tidak simetrik itu mendekati distribusi normal.1513) log  1 + r    1.r2 (9.3. yaitu logaritma dengan bilangan pokok e.r  (9.3.9) maka akan diperoleh distribusi Student t dengan dk = (n – 2) Hal B). Dalam logaritma biasa. transformasi ini dapat juga ditulis sebagai : Z = (1. maka distribusi sampling koefisien korelasi akan simetrik dengan µr = 0.12) Rumus µz dapat pula ditulis dalam bentuk : 1 + ρ0 µz = (1. jika dibentuk statistik : t= r n-2 1. Menaksir Koefisien Korelasi 41 .13) 9.Jika semua sampel acak itu berasal dari populasi normal bervariabel dua dengan ρ = 0. maka distribusi sampling koefisien korelasi tidak simetrik. Dalam hal ini.ρ 0  1 σ = n -3     (9.1513) log  1 − ρ 0      (9. Populasinya mempunyai ρ ≠ 0 Jika populasi dari mana sampel acak itu diambil mempunyai ρ = ρ0 ≠ 0.4. Transformasi yang digunakan ialah transformasi Fisher : Z = ½ ln  1 + r    1.3.

3. Dalam hal lain. Jawab : Titik taksiran dengan mudah dapat ditentukan ialah ρ = 0. digunakan transformasi Fisher. yaitu Z.8  Dari rumus (9.0986 1 − 0.ρ  42 .06137 yang menghasilkan ρ = 0.11) kita peroleh : Z = (1. Dari sampel itu didapat r = 0. Jika hubungan antara X dan Y berbentuk regresi linier.1513) log  1 − ρ 0      (9. Untuk kita disini hanya dibahas penaksiran koefisien korelasi apabila regresi antara X dan Y berbentu linier. simpangan baku σ.13) dan 1 + ρ0 µz = (1.3: Sebuah sampel acak dengan ukuran n = 28 telah diambil dari sebuah populasi normal bervariabel dua.14) dengan z½ γσz didapat dari daftar distribusi normal baku menggunakan peluang ½γ. ialah taksiran titik dan taksiran interval. maka r dihitung dengan Rumus (9.8   = 1.4906 substitusikan batas-batas ini ke dalam Rumus (9. maka untuk koefisien korelasi ρ pun didapat hal yang sama.15) Contoh 9.ρ  untuk µz = 1. Untuk menentukan interval taksiran koefisien korelasi ρ. Taksiran titik ρ dengan mudah dapat ditentukan ialah koefisien korelasi r yang didapat dari sampel.3.12) dan Rumus XVI(15) didapat : 1. Akhirnya batas-batas ρ dapat ditentukan dengan menggunakan batas-batas µz yang didapat dari Rumus (9.1513) log   log   1 + ρ     1.0986 < µz < 1. Jika γ = koefisien kepercayaan yang diberikan.0986 + 1.3.3.4) atau yang sejenisnya.3.80.7066 didapat : 0.609  1.4906 dihasilkan : 1 + ρ    = 0.3. maka interval taksiran µz dihitung oleh : Z – z½ γσz < µz < Z + z½ γσz (9.3.7066 = (1. proporsi π) ada dua macam penaksiran. tentukan taksiran koefisien korelasi ρ untuk populasi. untuk menentukan interval taksiran ρ dengan angka kepercayaan γ = 95% misalnya dengan Rumus (9.96 28 − 3 1 + 0.7066 < µz < 1.1513) log  1. baru batas-batas µz ditentukan.96 28 − 3 atau 0. Untuk µz = 0. setelah Z didapat. r dihitung dengan rumus (9.80.3).3.3.14).Sebagaimana halnya menaksir prameter-prameter lain (rata-rata µ.

Tentu saja bentuk alternatif untuk menguji hipotesis H0 bisa H1 : ρ > 0 atau H1 : ρ < 0. Dalam hal lainnya H0 kita tolak.4906 = (1. Sehingga dalam hal populasi berdistribusi normal ρ = 0 mengakibatkan bahwa X dan Y independen dan sebaliknya.3.1513) log   log   1 + ρ     1.3.1.28) 43 .4: Untuk pengujian H0 : ρ = 0 melawan H1 : ρ ≠ 0 berdasarkan sebuah sampel acak berukuran n = 27 dengan r = 0. Dalam hal ini. jika sampel acak yang diambil dari populasi normal bervariabel dua itu berukuran n memiliki koefisien korelasi r.9) yaitu : t = r n-2 1. jika ρ = 0. Dari modelnya. dimana distribusi t yang digunakan mempunyai dk = (n-2).903 9. Mengingat dalam banyak penelitian sering ingin mengetahui apakah antara dua variabel terdapat hubungan yang independen atau tidak.½α) < t < t(1.3.r2 1 + ρ    = 1.28) 27 − 2 = 1.ρ  (9. maka dari Rumus (9. maka dapat digunakan statistik t seperti dicantumkan dalam Rumus (9. maka ternyata bahwa X dan Y independen. Contoh 9.3. Menguji Hipotesis Kembali pada populasi bervariabel dua dengan koefisien koperasi ρ.3.16) didapat : t= ( 0.ρ  interval taksiran ρ dengan angka kepercayaan 95% adalah 0. Untuk menguji H0 : ρ = 0 melawan H1 : ρ ≠ 0. Dalam hal pertama merupakan uji pihak kanan sedangkan yang kedua merupakan uji pihak kiri. 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.609 < ρ < 0. maka hipotesis kita terima jika –t(1. seperti biasa harus disesuaikan dengan alternatif yang diambil.5.16) Selanjutnya untuk taraf nyata = α.2947 yang menghasilkan ρ = 0. maka kita perlu melakukan uji independen.458 2 1 − ( 0.28. Daerah kritis pengujianm.903  1. Sifat ini tidak berlaku untuk populasi yang tidak berdistribusi normal.½ α).

atau Jika taraf ternyata pengujian diambil α.75.1513) log  1 + 0. Mudah dilihat bahwa t = 1.11) kita dapat menghitung : Z = (1.3573 1 − 0.5: Dalam contoh 9.µz σz (9. Seperti telah dijelaskan dalam Bagian 5.11) akan diperoleh distribusi normal dengan rata-rata dan simpangan baku seperti tertera dalam Rumus (9.3.75   = 0. Untuk dapat menggunakan daftar distribusi normal baku.9729 1 − 0.75  = 0.75 Dengan Rumus (9.060 dan 2.8758. dapatkah sampel tadi menguatkan dugaan tersebut ? Pertanyaan ini akan terjawab apabila kita melakukan pengujian terhadap hipotesis : H0 : ρ = 0.1513) log  dan σz = 1 30 − 3 1 + 0.060. apakah dua pihak.3.1.12). ditentukan oleh bentuk alternatif. maka dengan transformasi Fisher dalam Rumus (9.3.3.3. telah dihitung koefisien antara banyak pengunjung dan yang berbelanja untuk sampel berukuran n = 30.995 = 2. t0.3. Jadi H0 diterima. Cobalah buat sendiri kesimpulannya! Sekarang marilah kita tinjau bagaimana menguji hipotesis ρ yang tidak nol dapat dilakukan.75 melawan H1 : ρ ≠ 0. pihak kanan atau pihak kiri.Jika taraf nyata α = 0.75 (dari hipotesis H0) didapat : µz = (1. untuk uji dua pihak.3.3. di situ telah didapat r = 0. maka dengan dk = 25.458 antara -2.17) Angka z inilah yang akan digunakan untuk menguji hipotesis : H0 : ρ = ρ0 ≠ 0 melawan salah satu alternatif : H1 : ρ ≠ ρ0. jika sampel acak diambil dari populasinormal bervariabel dua dengan koefisien korelasi ρ ≠ 0.12) dan Rumus (9. atau H1 : ρ > ρ0. seperti biasa. s elanjutnya perlu digunakan angka z : z= Z . Contoh 9. dari daftar distribusi t didapat.8758  sedangkan dari Rumus (9.060.13) dengan ρ0 = 0.05. atau H1 : ρ < ρ0. maka daerah kritis. jika diduga bahwa populasinya mempunyai ρ = 0.8758   = 1.1924 44 .

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).3.3573 .9729 = 2. maka daerah penerimaan H0 adalah -1.1924 Jika diambil α = 0.75.05.96 < < 1. supaya hipotesis bisa diterima.1 sehingga ρ0 > 0. Ternyata bahwa pengujian memberikan hasil yang berarti.6: Berasal dari populasi dengan ρ berapa sampel di muka telah diambil? Jawab : Jika diambil α = 0.96. X 78 60 57 40 59 70 65 66 68 58 44 38 70 60 65 68 50 74 46 54 45 .3573 . maka untuk menguji hipotesis : Ho : ρ = ρ0 melawan H1 : ρ ≠ ρ0 dimana ρ0 bilangan yang akan dicari.96 < < 1. Latihan 3 1.96 0. Sampel itu tidak berasal dari populasi dengan ρ = 0.Akhirnya.9395 0   Hal kedua adalah (ketidaksamaan sebelah kanan) : 1.1513) log  1 − ρ   > 0.µz .1 sehingga ρ0 < 0.7530 1 − ρ0 Sampel berukuran n = 30 tadi berasal dari sebuah populasi dengan ρ yang besarnya antara 0.3573 − µz < 1.7530 dan 0.1924 Kita selesaikan hal pertama (ketidaksamaan sebelah kiri) : 1.17) memberikan bilangan baku z= 1.1924 1 + ρ0  atau (1.1513) log  1 − ρ   < 1.96 0. harus berlaku : 1.1924 1 + ρ0  atau (1.1.3573 −0.9802 0   1 + ρ0 atau > 7. Rumus (9.9395.1. Contoh 9.3.7344 0   1 + ρ0  atau  1 − ρ   < 32.96 0.05.µz .00 0.96 < z < 1.

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

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. 2.378 e.4 6.825 e.1 7. -1. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a. 9.931 c.4 7. 1. 0.645 3.928 d.956 2.3 5. 0. X Y 93 96 108 86 92 80 96 7. 0. dengan cara menemukan satu pilihan jawaban yang paling tepat! A. Koefisien determinasi kita peroleh: a. Pada tabel di bawah ini. Koefisien korelasi r. dan Y yang menyatakan kinerja guru dalam memberikan pembelajaran terhadap siswanya.5 7.922 e.268 b.3 6. -0.9 6.8 7. data menunjukkan harga X yang menyatakan tingkat kenyamanan guru dalam lingkungannya bekerja.914 b. 0.898 d. 16.Z = 2 yang mnyebar normal dengan rataan µZ dan ragam σ Z . 0. 19.325 b.922 47 .956 c.396 c. kita peroleh: a.7 5.9 8. 0.8 dari data tersebut di atas kita hitung: 1.6 7. 0.0 117 95 92 96 108 92 8. 0.143 d.

3 dari data di atas kita hitung: 5.1 10. 9. 0.928 d. maka: a.566 c. Koefisien korelasi r kita peroleh: a. H0 tidak ditolak dan Ha diterima e. 0.666 48 .4 7.4. Data pada tabel di bawah ini menunjukkan nilai X yang menyatakan panjang sayap.876 e.750 e. Dari data tersebut kita hitung: 8.2 10.738 e. 0.444 b.4 7. H0 ditolak dan Ha diterima b. 0.4 7. -0. Oleh sebab itu.950 b. 5.8 7. 3.4 10. 0. dan Y yang menyatakan panjang ekor beberapa burung jenis tertentu (dalam cm) hasil penelitian siswa dalam pelajaran Biologi.7 7. -0. -2.866 c. 2.7 10.946 b. 0.9 7.4 7. 0.418 7.478 b.545 d. Gunakan data pada soal B dalam Tes Formatif 1 Kegiatan Belajar 1. 0.896 c. 0. X Y 10.8 8.1 7.2 7. H0 tidak ditolak dan Ha ditolak d.2 7.666 d.922 C.394 6. 0.931 c. Koefisien determinasi kita peroleh: a. H0 diterima dan Ha ditolak c.6 11. H0 diterima dan Ha tidak ditolak B. Koefisien korelasi r kita peroleh: a. -0.6 7.3 10. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a.2 10.5 10.8 11.2 10.8 11.

5.750 e. Bagus! Tetapi bila tingkat penguasaan Anda masih di bawah 80%.738 e.991 b.865 d.100% = baik sekali 80% .447 10. 0. Anda harus mengulangi Kegiatan Belajar 3. 49 . 0. terutama bagian yang belum Anda kuasai.79% = cukup < 70% = kurang Bila Anda mencapai tingkat penguasan 80% atau lebih.485 b. 0.964 9 Koefisien determinasi kita peroleh: a. 0.89% = baik 70% .929 c.931 c. Hitunglah jawaban Anda yang benar. Rumus: Tingkat Penguasaan = Jumlah jawaban Anda yang benar ×100% 10 Arti tingkat penguasaan yang Anda dapat: 90% . -2. 22. Anda dapat meneruskan dengan Kegiatan Belajar selanjutnya. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a.922 Balikan dan Tindak Lanjut Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 3 yang terdapat di bagian akhir Modul ini.876 e. 0. 0. 3. 0. Kemudian gunakan rumus di bawah ini untuk mengetahui tingkat penguasaan Anda terhadap materi Kegiatan Belajar 3.928 d. 17.d.

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

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

Sign up to vote on this title
UsefulNot useful