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

kepada garis regresi. sedangkan harga X yang kecil berpasangan dengan Y yang kecil pula. Khusus untuk r = 0. maka derajat hubungannya akan dinyatakan dengan r dan biasa dinamakan koefisien korelasi karena rumus (9.4) Bentuk lain dapat pula digunakan. 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. Dalam hal ini I akan diganti oleh r2 dan diperoleh : r2 = ˆ )2 ∑(Yi − Y) 2 − ∑(Yi − Y i ∑(Yi − Y) 2 (9. ialah : 38 . harga 1 − r 2 dinamakan koefisien alienasi atau koefisien perenggangan. 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 harga I makin dekat kepada satu. Mudah dilihat bahwa dari Rumus (9.3. Letak titiktitik ada pada garis regresi linier dengan sifat bahwa harga X yang besar berpasangan dengan harga Y yang besar.2 Korelasi Dalam Regresi Linier Apabila garis regresi yang terbaik untuk sekumpulan data berbentuk linier. Sebaliknya jika titik-titik itu makin jauh dari garis regresi.2) akan berlaku 0 ≤ r2 < 1 sehingga untuk koefisien korelasi didapat hubungan -1 < r < +1.3. 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. Harga 1 – r2 sendiri dapat dinamakan koefisien non determinasi. Harga r= -1 menyatakan adanya hubungan linier sempurna tak langsung antara X dan Y. Secara umum berlaku 0 < I < 1.1) dan Rumus (9.3) r2 dinamakan koefisien determinasi atau koefisien penentu. maka harga I makin dekat kepada nol. Untuk keperluan perhitungan koefisien r berdasarkan sekumpulan data (X i. Ini berarti bahwa titik-titik yang ditentukan oleh (Xi.3.1) diatas bersifat umum. 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. maka hendaknya ini ditafsirkan bahwa tidak terdapat hubungan linier antara variabel-variabel X dan Y.3. 9. Harga r= + 1menyatakan adanya hubungan linier sempurna langsung antara X dan Y. atau tepatnya terdapat garis regresi yang tuna cocok.3. maka itu pun berlaku apabila pola hubungan antara Y dan X berbentuk regresi linier.3.

8758 Dari hasil ini ternyata didapat korelasi positif antara banyak pengunjung X dan yang berbelanja Y.7) dengan sx simpangan baku untuk variabel X dan sy simpangan baku untuk variabel Y. Dari rumus (9. ΣY2i = 33.1: Misalkanlah kita ingin mengetahui hubungan antara banyaknya pengunjung (X) dan banyaknya yang berbelanja (Y) di sebuah toko.3. Contoh 9.094) − (1.7670 atau sebesar 76.3. 2 2 yx = ∑(Yi − Y )( X i − X ) yang merupakan kuadrat kekeliruan taksiran dan r = 1 − s 2 y.3.105) 2 }{30(33. 39 .7%. dari rumus di atas dapat diturunkan rumus koefisien korelasi. Ini berarti bahwa meningkatnya atau menurunnya pembeli 76.001) r= {30(41. ΣYi = 1.dengan s Jika persamaan regresi linier Y atas X telah ditentukan dan sudah didapat koefisien arah b.3. jika koefisien arah regresi Y atas X dan b 2 koefisien arah regresi X atas Y untuk data yang sama. Bila data telah kita hitung sebagai berikut: ΣXi = 1.8) 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.001) 2 } r = 0.5) b { n ∑ X i Y − (∑ X i )(∑ Yi )} n ∑ Y 2 i − (∑ Yi ) 2 (9.094. r = b sx / sy (9. meningkatnya pengunjung yang datang meningkatkan pula banyaknya yang berbelanja.105.4) kita peroleh : 30(37.x / s 2 y (9. ΣXiYi = 37.3. Besar hubungannya ditentukan oleh koefisien determinasi r2 = 0.3.599 dan n = 30. maka koefisien determinasi r2 dapat ditentukan oleh rumus: r2 = 2 sY = ∑(Yi − Y ) yang merupakan ragam untuk variabel Y. sedangkan sisanya ditentukan oleh keadaan lain.599) − (1.6) Dengan sedikit pengerjaan aljabar. Masih ada rumus lain.7% dapat dijelaskan oleh banyaknya pengunjung melalui hubungan linier X dan Y. ΣX2i = 41.001. berarti.029. maka : r2 = r2 = b1b2 (9.029) − (1.105)(1.

Sekarang. berbentuk parabola kuadratik.3. maka analisis korelasi bisa berjalan lebih jauh.3). Untuk ini kita gunakan Rumus (9. melainkan hubungan berbentuk lain (dalam hal ini kuadratik). ΣX2i = 336. ΣYi = 42. bahwa koefisien korelasi r = 0 dihitung dengan Rumus (9. antara lain menentukan interval taksiran dan menguji hipotesis. Ini berarti bahwa terdapat hubungan sempurna antara X dan Y yang dinyatakan oleh parabola dengan persamaan Y = 2 + X2. . Yang benar adalah tidak terdapat hubungan linier antara X dan Y.Contoh 9. ΣX2y = 28.3.4). Dengan demikian ∑ i bahwa r2 = 1. misalnya bagaimana X dan Y berdistribusi.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. marilah kita lihat berapa derajad hubungan yang ada antara X dan Y dalam bentuk kuadratik tersebut. yang jelas bahwa model regresi ini bukan regresi linier.3.2.3. r2. Yi dan harganya ˆ ) 2 = 0.3. bukan berarti tidak terdapat hubungan antara 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. Memang hubungan yang ada antara X dan Y. . ΣXiYi = 0 dan n = 7.1) mudah dilihat (Yi −Y diatas. 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. . Contoh 9. Kita lihat bahwa Y = 6. sehingga dari Rumus (9. . Apabila sekarang untuk X dan Y terdapat pola tertentu. Untuk ini dimisalkan bahwa X dan Y berdistribusi gabungan normal bervariabel dua yang didalamnya antara lain berisikan parameter ρ (baca : rho) sebagai koefisien korelasinya. 9. Rata-rata dari simpangan baku untuk distribusi sampling koefisien korelasi ini akan diberi simbul µr dan σr. r3. Dibedakan dua hal : Hal A). ini memperlihatkan. 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. Maka didapat kumpulan koefisien korelasi r1.3. Populasinya mempunyai ρ = 0 40 . . Dari kumpulan ini kita dapat membentuk distribusi sampling koefisien korelasi dan selanjutnya rata-rata dan simpangan bakunya dapat dihitung.

9) maka akan diperoleh distribusi Student t dengan dk = (n – 2) Hal B). dengan menggunakan sebuah transformasi akan menyebabkan distribusi yang tidak simetrik itu mendekati distribusi normal.3.r2 (9. maka distribusi sampling koefisien korelasi akan simetrik dengan µr = 0.1513) log  1 − ρ 0      (9.10) dengan In berarti logaritma asli. Menaksir Koefisien Korelasi 41 .1513) log  1 + r    1.3. Transformasi yang digunakan ialah transformasi Fisher : Z = ½ ln  1 + r    1.ρ 0  1 σ = n -3     (9. jika dibentuk statistik : t= r n-2 1. Dalam hal ini.3. yaitu logaritma dengan bilangan pokok e.3. distribusi normal yang terjadi (suatu bentuk pendekatan) mempunyai rata-rata dan simpangan baku :  1 + ρ0 µ z = 1 2 ln   1. Dalam logaritma biasa.3. Populasinya mempunyai ρ ≠ 0 Jika populasi dari mana sampel acak itu diambil mempunyai ρ = ρ0 ≠ 0.4. maka distribusi sampling koefisien korelasi tidak simetrik.12) Rumus µz dapat pula ditulis dalam bentuk : 1 + ρ0 µz = (1.r  (9.3.13) 9. transformasi ini dapat juga ditulis sebagai : Z = (1.11) Dengan transformasi ini.r  (9.Jika semua sampel acak itu berasal dari populasi normal bervariabel dua dengan ρ = 0.

3.4) atau yang sejenisnya.13) dan 1 + ρ0 µz = (1.ρ  untuk µz = 1.80. ialah taksiran titik dan taksiran interval.06137 yang menghasilkan ρ = 0.96 28 − 3 1 + 0.1513) log  1 − ρ 0      (9. setelah Z didapat. untuk menentukan interval taksiran ρ dengan angka kepercayaan γ = 95% misalnya dengan Rumus (9. simpangan baku σ.0986 + 1. tentukan taksiran koefisien korelasi ρ untuk populasi. yaitu Z.Sebagaimana halnya menaksir prameter-prameter lain (rata-rata µ. Jawab : Titik taksiran dengan mudah dapat ditentukan ialah ρ = 0.3.3.11) kita peroleh : Z = (1. Untuk menentukan interval taksiran koefisien korelasi ρ.0986 1 − 0. Akhirnya batas-batas ρ dapat ditentukan dengan menggunakan batas-batas µz yang didapat dari Rumus (9. Untuk µz = 0.8   = 1.3. Untuk kita disini hanya dibahas penaksiran koefisien korelasi apabila regresi antara X dan Y berbentu linier.0986 < µz < 1. Dari sampel itu didapat r = 0.7066 < µz < 1. Jika hubungan antara X dan Y berbentuk regresi linier. proporsi π) ada dua macam penaksiran.4906 dihasilkan : 1 + ρ    = 0.7066 = (1.3.3.ρ  42 .3.96 28 − 3 atau 0.3.4906 substitusikan batas-batas ini ke dalam Rumus (9.7066 didapat : 0.12) dan Rumus XVI(15) didapat : 1. baru batas-batas µz ditentukan.14). r dihitung dengan rumus (9. Taksiran titik ρ dengan mudah dapat ditentukan ialah koefisien korelasi r yang didapat dari sampel. digunakan transformasi Fisher. maka r dihitung dengan Rumus (9.14) dengan z½ γσz didapat dari daftar distribusi normal baku menggunakan peluang ½γ. Jika γ = koefisien kepercayaan yang diberikan.15) Contoh 9.3.3: Sebuah sampel acak dengan ukuran n = 28 telah diambil dari sebuah populasi normal bervariabel dua.3). Dalam hal lain.8  Dari rumus (9.80. maka untuk koefisien korelasi ρ pun didapat hal yang sama.609  1.1513) log  1. maka interval taksiran µz dihitung oleh : Z – z½ γσz < µz < Z + z½ γσz (9.1513) log   log   1 + ρ     1.

903  1. dimana distribusi t yang digunakan mempunyai dk = (n-2). Tentu saja bentuk alternatif untuk menguji hipotesis H0 bisa H1 : ρ > 0 atau H1 : ρ < 0. maka hipotesis kita terima jika –t(1.ρ  interval taksiran ρ dengan angka kepercayaan 95% adalah 0.r2 1 + ρ    = 1.3. Dalam hal pertama merupakan uji pihak kanan sedangkan yang kedua merupakan uji pihak kiri.1.½ α).609 < ρ < 0.5.3.28) 43 . jika ρ = 0.458 2 1 − ( 0.28.3.4: Untuk pengujian H0 : ρ = 0 melawan H1 : ρ ≠ 0 berdasarkan sebuah sampel acak berukuran n = 27 dengan r = 0.3. jika sampel acak yang diambil dari populasi normal bervariabel dua itu berukuran n memiliki koefisien korelasi r.16) Selanjutnya untuk taraf nyata = α.4906 = (1.3. maka dapat digunakan statistik t seperti dicantumkan dalam Rumus (9. Sifat ini tidak berlaku untuk populasi yang tidak berdistribusi normal. maka kita perlu melakukan uji independen.ρ  (9. Daerah kritis pengujianm. Dari modelnya. Mengingat dalam banyak penelitian sering ingin mengetahui apakah antara dua variabel terdapat hubungan yang independen atau tidak. Dalam hal lainnya H0 kita tolak.903 9. maka dari Rumus (9.1513) log   log   1 + ρ     1. Dalam hal ini. Sehingga dalam hal populasi berdistribusi normal ρ = 0 mengakibatkan bahwa X dan Y independen dan sebaliknya. 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. Contoh 9. maka ternyata bahwa X dan Y independen. Untuk menguji H0 : ρ = 0 melawan H1 : ρ ≠ 0. seperti biasa harus disesuaikan dengan alternatif yang diambil.28) 27 − 2 = 1.9) yaitu : t = r n-2 1.2947 yang menghasilkan ρ = 0. Menguji Hipotesis Kembali pada populasi bervariabel dua dengan koefisien koperasi ρ.16) didapat : t= ( 0.½α) < t < t(1.

Seperti telah dijelaskan dalam Bagian 5.17) Angka z inilah yang akan digunakan untuk menguji hipotesis : H0 : ρ = ρ0 ≠ 0 melawan salah satu alternatif : H1 : ρ ≠ ρ0. jika diduga bahwa populasinya mempunyai ρ = 0.1.458 antara -2.1513) log  1 + 0.13) dengan ρ0 = 0. s elanjutnya perlu digunakan angka z : z= Z .75.3.3.3. t0.060 dan 2.9729 1 − 0. Jadi H0 diterima. di situ telah didapat r = 0. dapatkah sampel tadi menguatkan dugaan tersebut ? Pertanyaan ini akan terjawab apabila kita melakukan pengujian terhadap hipotesis : H0 : ρ = 0. pihak kanan atau pihak kiri.995 = 2. telah dihitung koefisien antara banyak pengunjung dan yang berbelanja untuk sampel berukuran n = 30. atau H1 : ρ < ρ0.11) akan diperoleh distribusi normal dengan rata-rata dan simpangan baku seperti tertera dalam Rumus (9.060.3.12). untuk uji dua pihak. maka daerah kritis. atau H1 : ρ > ρ0. Cobalah buat sendiri kesimpulannya! Sekarang marilah kita tinjau bagaimana menguji hipotesis ρ yang tidak nol dapat dilakukan. seperti biasa.8758.75 melawan H1 : ρ ≠ 0.8758   = 1.5: Dalam contoh 9. jika sampel acak diambil dari populasinormal bervariabel dua dengan koefisien korelasi ρ ≠ 0.3.12) dan Rumus (9. Mudah dilihat bahwa t = 1. maka dengan dk = 25.75  = 0.75 (dari hipotesis H0) didapat : µz = (1.3.1924 44 .05.1513) log  dan σz = 1 30 − 3 1 + 0.75 Dengan Rumus (9.3. Contoh 9.Jika taraf nyata α = 0. apakah dua pihak. ditentukan oleh bentuk alternatif.µz σz (9.11) kita dapat menghitung : Z = (1. dari daftar distribusi t didapat. Untuk dapat menggunakan daftar distribusi normal baku.3.060.3573 1 − 0.75   = 0. atau Jika taraf ternyata pengujian diambil α. maka dengan transformasi Fisher dalam Rumus (9.8758  sedangkan dari Rumus (9.

Rumus (9.7530 1 − ρ0 Sampel berukuran n = 30 tadi berasal dari sebuah populasi dengan ρ yang besarnya antara 0. harus berlaku : 1.3573 .1924 Jika diambil α = 0.1.1513) log  1 − ρ   < 1.1.µz .6: Berasal dari populasi dengan ρ berapa sampel di muka telah diambil? Jawab : Jika diambil α = 0.96 0.3573 −0.7344 0   1 + ρ0  atau  1 − ρ   < 32.9802 0   1 + ρ0 atau > 7.9395.17) memberikan bilangan baku z= 1. maka daerah penerimaan H0 adalah -1. Sampel itu tidak berasal dari populasi dengan ρ = 0.05.1924 1 + ρ0  atau (1.96 0.1 sehingga ρ0 < 0.1924 Kita selesaikan hal pertama (ketidaksamaan sebelah kiri) : 1.05.7530 dan 0.1924 1 + ρ0  atau (1. supaya hipotesis bisa diterima.96. maka untuk menguji hipotesis : Ho : ρ = ρ0 melawan H1 : ρ ≠ ρ0 dimana ρ0 bilangan yang akan dicari.1 sehingga ρ0 > 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 0.9729 = 2.1513) 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 .9395 0   Hal kedua adalah (ketidaksamaan sebelah kanan) : 1.96 < < 1.3. Ternyata bahwa pengujian memberikan hasil yang berarti.3573 − µz < 1.µz .96 < < 1.3573 .Akhirnya.00 0. Latihan 3 1.96 < z < 1. Contoh 9.3.75.

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

9. 0.825 e.7 5.3 6.956 2.325 b. 0. 0. dan Y yang menyatakan kinerja guru dalam memberikan pembelajaran terhadap siswanya.9 6. Koefisien determinasi kita peroleh: a.5 7.4 6. 0.8 7. 1.922 47 .956 c. 0.1 7. 16. 0.143 d. -0. kita peroleh: a.928 d.8 dari data tersebut di atas kita hitung: 1. 2. 19.898 d.396 c. data menunjukkan harga X yang menyatakan tingkat kenyamanan guru dalam lingkungannya bekerja.914 b. 0.931 c. -1.4 7. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a.9 8. X Y 93 96 108 86 92 80 96 7. 0.922 e.Z = 2 yang mnyebar normal dengan rataan µZ dan ragam σ Z .6 7.0 117 95 92 96 108 92 8. dengan cara menemukan satu pilihan jawaban yang paling tepat! 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. Koefisien korelasi r. Pada tabel di bawah ini.378 e.3 5.645 3.268 b.

0. -0.8 11.1 7. 5.8 8.9 7.931 c.2 10.6 7. Koefisien korelasi r kita peroleh: a.8 11. maka: a.4 7.3 dari data di atas kita hitung: 5.4 7.950 b. 2.478 b.3 10. Gunakan data pada soal B dalam Tes Formatif 1 Kegiatan Belajar 1. 9. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a.7 10.4 7.5 10. Koefisien determinasi kita peroleh: a.6 11. Data pada tabel di bawah ini menunjukkan nilai X yang menyatakan panjang sayap. 0. 0.896 c.928 d.4 7. -2. -0.2 10. H0 diterima dan Ha tidak ditolak B. H0 tidak ditolak dan Ha ditolak d.866 c. H0 tidak ditolak dan Ha diterima e. 0. 3. H0 diterima dan Ha ditolak c.750 e.4. Oleh sebab itu.876 e. H0 ditolak dan Ha diterima b.8 7.666 d.7 7.444 b.2 7. -0. 0. X Y 10.418 7. 0. dan Y yang menyatakan panjang ekor beberapa burung jenis tertentu (dalam cm) hasil penelitian siswa dalam pelajaran Biologi.545 d. 0.738 e. 0.666 48 .394 6.922 C. Dari data tersebut kita hitung: 8.2 7.946 b. 0.2 10.4 10.566 c.1 10. 0. Koefisien korelasi r kita peroleh: a.

447 10. 0. 49 .750 e.928 d. Anda harus mengulangi Kegiatan Belajar 3. 0.738 e. -2.79% = cukup < 70% = kurang Bila Anda mencapai tingkat penguasan 80% atau lebih.89% = baik 70% . 0.931 c.865 d. Rumus: Tingkat Penguasaan = Jumlah jawaban Anda yang benar ×100% 10 Arti tingkat penguasaan yang Anda dapat: 90% . 3. Bagus! Tetapi bila tingkat penguasaan Anda masih di bawah 80%. 0.991 b.100% = baik sekali 80% .929 c. 0. Anda dapat meneruskan dengan Kegiatan Belajar selanjutnya. Kemudian gunakan rumus di bawah ini untuk mengetahui tingkat penguasaan Anda terhadap materi Kegiatan Belajar 3. 5. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠0 kita peroleh: a.485 b.922 Balikan dan Tindak Lanjut Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 3 yang terdapat di bagian akhir Modul ini.d. 22. 0. Hitunglah jawaban Anda yang benar.876 e. 17. terutama bagian yang belum Anda kuasai.964 9 Koefisien determinasi kita peroleh: a. 0.

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

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

Sign up to vote on this title
UsefulNot useful