P. 1
Analisis Korelasi

Analisis Korelasi

|Views: 46|Likes:

More info:

Published by: Mathilda Meye Jawa La on Jun 09, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

12/13/2013

pdf

text

original

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

8) Rumus itu menyatakan bahwa koefisien korelasi r adalah rata-rata ukur daripada koefisien-koefisien arah b1 dan b2. jika koefisien arah regresi Y atas X dan b 2 koefisien arah regresi X atas Y untuk data yang sama. sedangkan sisanya ditentukan oleh keadaan lain.3. yaitu yang ditentukan oleh koefisien arah garis regresi Y atas X dan regresi X atas Y. Masih ada rumus lain. 39 . ΣY2i = 33.3.105)(1.001) r= {30(41. ΣX2i = 41.7%. r = b sx / sy (9. meningkatnya pengunjung yang datang meningkatkan pula banyaknya yang berbelanja. Dari rumus (9.7% dapat dijelaskan oleh banyaknya pengunjung melalui hubungan linier X dan Y.001. maka koefisien determinasi r2 dapat ditentukan oleh rumus: r2 = 2 sY = ∑(Yi − Y ) yang merupakan ragam untuk variabel Y.029.105) 2 }{30(33. Besar hubungannya ditentukan oleh koefisien determinasi r2 = 0.7670 atau sebesar 76.3.001) 2 } r = 0.3.599 dan n = 30. Ini berarti bahwa meningkatnya atau menurunnya pembeli 76. ΣXiYi = 37. dari rumus di atas dapat diturunkan rumus koefisien korelasi.029) − (1.3.1: Misalkanlah kita ingin mengetahui hubungan antara banyaknya pengunjung (X) dan banyaknya yang berbelanja (Y) di sebuah toko.094.599) − (1.094) − (1.6) Dengan sedikit pengerjaan aljabar.5) b { n ∑ X i Y − (∑ X i )(∑ Yi )} n ∑ Y 2 i − (∑ Yi ) 2 (9. maka : r2 = r2 = b1b2 (9. Bila data telah kita hitung sebagai berikut: ΣXi = 1.3.4) kita peroleh : 30(37. ΣYi = 1. 2 2 yx = ∑(Yi − Y )( X i − X ) yang merupakan kuadrat kekeliruan taksiran dan r = 1 − s 2 y.105.8758 Dari hasil ini ternyata didapat korelasi positif antara banyak pengunjung X dan yang berbelanja Y.dengan s Jika persamaan regresi linier Y atas X telah ditentukan dan sudah didapat koefisien arah b.7) dengan sx simpangan baku untuk variabel X dan sy simpangan baku untuk variabel Y. Contoh 9. berarti.x / s 2 y (9.

.3. Populasinya mempunyai ρ = 0 40 . bahwa koefisien korelasi r = 0 dihitung dengan Rumus (9.3. Kita lihat bahwa Y = 6. 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. 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 didapat kumpulan koefisien korelasi r1. 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.4). maka analisis korelasi bisa berjalan lebih jauh. . r3. Contoh 9.3. 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. Ini berarti bahwa terdapat hubungan sempurna antara X dan Y yang dinyatakan oleh parabola dengan persamaan Y = 2 + X2. . 9. . ini memperlihatkan.Contoh 9. berbentuk parabola kuadratik. ΣXiYi = 0 dan n = 7. sehingga dari Rumus (9. Dibedakan dua hal : Hal A).3.1) mudah dilihat (Yi −Y diatas. Dari kumpulan ini kita dapat membentuk distribusi sampling koefisien korelasi dan selanjutnya rata-rata dan simpangan bakunya dapat dihitung. bukan berarti tidak terdapat hubungan antara X dan Y. marilah kita lihat berapa derajad hubungan yang ada antara X dan Y dalam bentuk kuadratik tersebut. Untuk ini kita gunakan Rumus (9. yakni Y = 2 + X 2. 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. ΣX2y = 28. antara lain menentukan interval taksiran dan menguji hipotesis. Yang benar adalah tidak terdapat hubungan linier antara X dan Y. Yi dan harganya ˆ ) 2 = 0. Rata-rata dari simpangan baku untuk distribusi sampling koefisien korelasi ini akan diberi simbul µr dan σr.2: Misalkanlah model regresi Y = 2 + X 2. .3. Dengan demikian ∑ i bahwa r2 = 1. melainkan hubungan berbentuk lain (dalam hal ini kuadratik). r2. Sekarang.3. ΣYi = 42. ΣX2i = 336. yang jelas bahwa model regresi ini bukan regresi linier. Memang hubungan yang ada antara X dan Y.3). Apabila sekarang untuk X dan Y terdapat pola tertentu. misalnya bagaimana X dan Y berdistribusi.2.

Transformasi yang digunakan ialah transformasi Fisher : Z = ½ ln  1 + r    1.r2 (9.13) 9. Dalam hal ini. jika dibentuk statistik : t= r n-2 1.1513) log  1 − ρ 0      (9.3.r  (9.r  (9.11) Dengan transformasi ini.Jika semua sampel acak itu berasal dari populasi normal bervariabel dua dengan ρ = 0.4.12) Rumus µz dapat pula ditulis dalam bentuk : 1 + ρ0 µz = (1.3.3.9) maka akan diperoleh distribusi Student t dengan dk = (n – 2) Hal B).3.3. maka distribusi sampling koefisien korelasi akan simetrik dengan µr = 0. Populasinya mempunyai ρ ≠ 0 Jika populasi dari mana sampel acak itu diambil mempunyai ρ = ρ0 ≠ 0. yaitu logaritma dengan bilangan pokok e. transformasi ini dapat juga ditulis sebagai : Z = (1. Dalam logaritma biasa. distribusi normal yang terjadi (suatu bentuk pendekatan) mempunyai rata-rata dan simpangan baku :  1 + ρ0 µ z = 1 2 ln   1.3.ρ 0  1 σ = n -3     (9.1513) log  1 + r    1. maka distribusi sampling koefisien korelasi tidak simetrik. Menaksir Koefisien Korelasi 41 .10) dengan In berarti logaritma asli. dengan menggunakan sebuah transformasi akan menyebabkan distribusi yang tidak simetrik itu mendekati distribusi normal.

untuk menentukan interval taksiran ρ dengan angka kepercayaan γ = 95% misalnya dengan Rumus (9.06137 yang menghasilkan ρ = 0. setelah Z didapat.3.96 28 − 3 atau 0.7066 didapat : 0. tentukan taksiran koefisien korelasi ρ untuk populasi.3.3: Sebuah sampel acak dengan ukuran n = 28 telah diambil dari sebuah populasi normal bervariabel dua.12) dan Rumus XVI(15) didapat : 1. maka interval taksiran µz dihitung oleh : Z – z½ γσz < µz < Z + z½ γσz (9.14) dengan z½ γσz didapat dari daftar distribusi normal baku menggunakan peluang ½γ. ialah taksiran titik dan taksiran interval.0986 + 1.7066 < µz < 1.3. digunakan transformasi Fisher.4) atau yang sejenisnya. r dihitung dengan rumus (9.15) Contoh 9.80.1513) log  1 − ρ 0      (9.96 28 − 3 1 + 0. maka r dihitung dengan Rumus (9.8  Dari rumus (9.13) dan 1 + ρ0 µz = (1.3. baru batas-batas µz ditentukan.8   = 1.7066 = (1.ρ  untuk µz = 1. Untuk µz = 0. yaitu Z. Jawab : Titik taksiran dengan mudah dapat ditentukan ialah ρ = 0.4906 substitusikan batas-batas ini ke dalam Rumus (9.4906 dihasilkan : 1 + ρ    = 0.1513) log   log   1 + ρ     1.3.0986 < µz < 1.3.80. Dalam hal lain. Akhirnya batas-batas ρ dapat ditentukan dengan menggunakan batas-batas µz yang didapat dari Rumus (9.3. Taksiran titik ρ dengan mudah dapat ditentukan ialah koefisien korelasi r yang didapat dari sampel. simpangan baku σ. maka untuk koefisien korelasi ρ pun didapat hal yang sama. Untuk kita disini hanya dibahas penaksiran koefisien korelasi apabila regresi antara X dan Y berbentu linier. Jika hubungan antara X dan Y berbentuk regresi linier.3.3. Jika γ = koefisien kepercayaan yang diberikan.11) kita peroleh : Z = (1.1513) log  1.14).609  1.Sebagaimana halnya menaksir prameter-prameter lain (rata-rata µ.3).0986 1 − 0. proporsi π) ada dua macam penaksiran. Dari sampel itu didapat r = 0.ρ  42 . Untuk menentukan interval taksiran koefisien korelasi ρ.

903  1. maka hipotesis kita terima jika –t(1. Sifat ini tidak berlaku untuk populasi yang tidak berdistribusi normal. maka dapat digunakan statistik t seperti dicantumkan dalam Rumus (9. Daerah kritis pengujianm.½α) < t < t(1.903 9. maka kita perlu melakukan uji independen.28.1.28) 27 − 2 = 1.3. dimana distribusi t yang digunakan mempunyai dk = (n-2). 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. jika ρ = 0.28) 43 .4906 = (1.9) yaitu : t = r n-2 1.16) didapat : t= ( 0. Contoh 9.ρ  interval taksiran ρ dengan angka kepercayaan 95% adalah 0. Dalam hal pertama merupakan uji pihak kanan sedangkan yang kedua merupakan uji pihak kiri. seperti biasa harus disesuaikan dengan alternatif yang diambil. Untuk menguji H0 : ρ = 0 melawan H1 : ρ ≠ 0.16) Selanjutnya untuk taraf nyata = α. Mengingat dalam banyak penelitian sering ingin mengetahui apakah antara dua variabel terdapat hubungan yang independen atau tidak.2947 yang menghasilkan ρ = 0.609 < ρ < 0.458 2 1 − ( 0.1513) log   log   1 + ρ     1. Menguji Hipotesis Kembali pada populasi bervariabel dua dengan koefisien koperasi ρ. Dari modelnya.5.ρ  (9. Sehingga dalam hal populasi berdistribusi normal ρ = 0 mengakibatkan bahwa X dan Y independen dan sebaliknya. Dalam hal ini.3.3.½ α).r2 1 + ρ    = 1.3. Tentu saja bentuk alternatif untuk menguji hipotesis H0 bisa H1 : ρ > 0 atau H1 : ρ < 0. Dalam hal lainnya H0 kita tolak. jika sampel acak yang diambil dari populasi normal bervariabel dua itu berukuran n memiliki koefisien korelasi r. maka ternyata bahwa X dan Y independen. maka dari Rumus (9.4: Untuk pengujian H0 : ρ = 0 melawan H1 : ρ ≠ 0 berdasarkan sebuah sampel acak berukuran n = 27 dengan r = 0.3.

3.3. Jadi H0 diterima.3.060 dan 2. dari daftar distribusi t didapat.17) Angka z inilah yang akan digunakan untuk menguji hipotesis : H0 : ρ = ρ0 ≠ 0 melawan salah satu alternatif : H1 : ρ ≠ ρ0.12).1513) log  1 + 0. jika sampel acak diambil dari populasinormal bervariabel dua dengan koefisien korelasi ρ ≠ 0. jika diduga bahwa populasinya mempunyai ρ = 0.3573 1 − 0.060.05.75 melawan H1 : ρ ≠ 0.5: Dalam contoh 9. dapatkah sampel tadi menguatkan dugaan tersebut ? Pertanyaan ini akan terjawab apabila kita melakukan pengujian terhadap hipotesis : H0 : ρ = 0.3. atau Jika taraf ternyata pengujian diambil α.75   = 0. untuk uji dua pihak.75  = 0.75.13) dengan ρ0 = 0.8758   = 1.11) akan diperoleh distribusi normal dengan rata-rata dan simpangan baku seperti tertera dalam Rumus (9.9729 1 − 0.75 Dengan Rumus (9. t0.995 = 2.3. atau H1 : ρ > ρ0. maka dengan dk = 25. ditentukan oleh bentuk alternatif.8758.75 (dari hipotesis H0) didapat : µz = (1. Mudah dilihat bahwa t = 1.1924 44 . maka dengan transformasi Fisher dalam Rumus (9.458 antara -2. atau H1 : ρ < ρ0.8758  sedangkan dari Rumus (9. Seperti telah dijelaskan dalam Bagian 5.1. Untuk dapat menggunakan daftar distribusi normal baku.Jika taraf nyata α = 0. Contoh 9. apakah dua pihak. di situ telah didapat r = 0.3.060. seperti biasa.µz σz (9.11) kita dapat menghitung : Z = (1.3.1513) log  dan σz = 1 30 − 3 1 + 0. pihak kanan atau pihak kiri. Cobalah buat sendiri kesimpulannya! Sekarang marilah kita tinjau bagaimana menguji hipotesis ρ yang tidak nol dapat dilakukan. maka daerah kritis. telah dihitung koefisien antara banyak pengunjung dan yang berbelanja untuk sampel berukuran n = 30.3. s elanjutnya perlu digunakan angka z : z= Z .12) dan Rumus (9.

96 < < 1.3573 .3573 − µz < 1.3573 .1 sehingga ρ0 > 0.1924 Kita selesaikan hal pertama (ketidaksamaan sebelah kiri) : 1.1.9729 = 2.96 < < 1.9802 0   1 + ρ0 atau > 7.17) memberikan bilangan baku z= 1.00 0.96.96 0.7530 dan 0. maka daerah penerimaan H0 adalah -1. harus berlaku : 1.µz . Rumus (9.3.Akhirnya. X 78 60 57 40 59 70 65 66 68 58 44 38 70 60 65 68 50 74 46 54 45 .96 0.3573 −0.7530 1 − ρ0 Sampel berukuran n = 30 tadi berasal dari sebuah populasi dengan ρ yang besarnya antara 0. Sampel itu tidak berasal dari populasi dengan ρ = 0.7344 0   1 + ρ0  atau  1 − ρ   < 32.1.05.9395. Contoh 9. Ternyata bahwa pengujian memberikan hasil yang berarti.3.1924 1 + ρ0  atau (1.75. supaya hipotesis bisa diterima.1 sehingga ρ0 < 0.µz .1924 1 + ρ0  atau (1. Latihan 3 1.96 < z < 1.1924 Jika diambil α = 0.05.1513) log  1 − ρ   > 0.6: Berasal dari populasi dengan ρ berapa sampel di muka telah diambil? Jawab : Jika diambil α = 0. maka untuk menguji hipotesis : Ho : ρ = ρ0 melawan H1 : ρ ≠ ρ0 dimana ρ0 bilangan yang akan dicari.9395 0   Hal kedua adalah (ketidaksamaan sebelah kanan) : 1.1513) log  1 − ρ   < 1. 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.

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

0.922 e.898 d.9 6. 9. kita peroleh: a.7 5. data menunjukkan harga X yang menyatakan tingkat kenyamanan guru dalam lingkungannya bekerja. 0.956 2.143 d.825 e. 0. 1. Koefisien korelasi r.1 7. dengan cara menemukan satu pilihan jawaban yang paling tepat! A.645 3.6 7.396 c.268 b.3 5.914 b. -0.922 47 .378 e. Koefisien determinasi kita peroleh: a. 0.3 6. 16. dan Y yang menyatakan kinerja guru dalam memberikan pembelajaran terhadap siswanya.5 7. -1. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a. 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.9 8.8 dari data tersebut di atas kita hitung: 1. 0.325 b.4 6.Z = 2 yang mnyebar normal dengan rataan µZ dan ragam σ Z .0 117 95 92 96 108 92 8.931 c. 0. 19. 2. X Y 93 96 108 86 92 80 96 7.8 7. 0.956 c. 0.928 d. Pada tabel di bawah ini.4 7.

H0 diterima dan Ha ditolak c.5 10.1 10. Oleh sebab itu.876 e. -2. Dari data tersebut kita hitung: 8.4 7.6 11.666 48 . X Y 10.545 d. 5.2 10.566 c.8 11. 0.931 c.946 b.9 7. 9. -0. Gunakan data pada soal B dalam Tes Formatif 1 Kegiatan Belajar 1. -0.4 7. -0.4 10.418 7.666 d.3 10. Data pada tabel di bawah ini menunjukkan nilai X yang menyatakan panjang sayap.866 c.8 7. maka: a. H0 diterima dan Ha tidak ditolak B. 0.478 b.950 b. 0. Koefisien korelasi r kita peroleh: a.2 7.3 dari data di atas kita hitung: 5. dan Y yang menyatakan panjang ekor beberapa burung jenis tertentu (dalam cm) hasil penelitian siswa dalam pelajaran Biologi.8 11. 0. 3.4 7.750 e. H0 tidak ditolak dan Ha diterima e.394 6.444 b. 0. H0 tidak ditolak dan Ha ditolak d. Koefisien determinasi kita peroleh: a. 2.4.2 10.7 10. 0. 0.2 7. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a. 0.2 10. 0.6 7.922 C.4 7.896 c.8 8. H0 ditolak dan Ha diterima b.738 e.1 7.928 d. 0.7 7. Koefisien korelasi r kita peroleh: a.

Anda harus mengulangi Kegiatan Belajar 3. 3.79% = cukup < 70% = kurang Bila Anda mencapai tingkat penguasan 80% atau lebih. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a. Bagus! Tetapi bila tingkat penguasaan Anda masih di bawah 80%. Anda dapat meneruskan dengan Kegiatan Belajar selanjutnya. -2. Kemudian gunakan rumus di bawah ini untuk mengetahui tingkat penguasaan Anda terhadap materi Kegiatan Belajar 3.485 b. 0.876 e. terutama bagian yang belum Anda kuasai. 0.89% = baik 70% . 5. 0.929 c.928 d. Hitunglah jawaban Anda yang benar. 22.447 10. 0.750 e.931 c. 17. Rumus: Tingkat Penguasaan = Jumlah jawaban Anda yang benar ×100% 10 Arti tingkat penguasaan yang Anda dapat: 90% . 49 . 0.100% = baik sekali 80% .991 b.964 9 Koefisien determinasi kita peroleh: a. 0. 0.d.738 e.865 d.922 Balikan dan Tindak Lanjut Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 3 yang terdapat di bagian akhir Modul ini.

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

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->