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=
atau I=

ˆ ∑(Yi − Y) 2 − ∑ (Yi − Yi ) 2 ∑( Yi − Y) 2

(9.3.1)

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

Untuk keperluan perhitungan koefisien r berdasarkan sekumpulan data (Xi. harga 1 − r 2 dinamakan koefisien alienasi atau koefisien perenggangan.3.1) diatas bersifat umum. Harga 1 – r2 sendiri dapat dinamakan koefisien non determinasi.kepada garis regresi.3) r2 dinamakan koefisien determinasi atau koefisien penentu. 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.3.2) akan berlaku 0 ≤ r2 < 1 sehingga untuk koefisien korelasi didapat hubungan -1 < r < +1.1) dan Rumus (9.3. Mudah dilihat bahwa dari Rumus (9. maka derajat hubungannya akan dinyatakan dengan r dan biasa dinamakan koefisien korelasi karena rumus (9. Ini berarti bahwa titiktitik yang ditentukan oleh (Xi. maka harga I makin dekat kepada satu. 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. ialah : r = 1 − s 2 y. 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. Khusus untuk r = 0. 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. Koefisien korelasi r tentu saja didapat dengan jalan mengambil akar dari r2.3.5) (9.3. Letak titik-titik 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 ∑(Yi − Y) 2 − ∑( Yi − Yi ) 2 ∑(Yi − Y) 2 (9. maka hendaknya ini ditafsirkan bahwa tidak terdapat hubungan linier antara variabel-variabel X dan Y. atau tepatnya terdapat garis regresi yang tuna cocok. 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.3.2 Korelasi Dalam Regresi Linier Apabila garis regresi yang terbaik untuk sekumpulan data berbentuk linier.x / s 2 y 38 . maka harga I makin dekat kepada nol. Secara umum berlaku 0 < I < 1. 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. Sebaliknya jika titik-titik itu makin jauh dari garis regresi.3.

3. Ini berarti bahwa meningkatnya atau menurunnya pembeli 76.3.094.7) dengan sx simpangan baku untuk variabel X dan sy simpangan baku untuk variabel Y. sedangkan sisanya ditentukan oleh keadaan lain. ΣYi = 1.029. Besar hubungannya ditentukan oleh koefisien determinasi r2 = 0. Dari rumus (9. Kita ambil harga-harga sebagai berikut : 39 . maka koefisien determinasi r2 dapat ditentukan oleh rumus: 2 r2 = b { n ∑ X i Y − (∑ X i )( ∑ Yi )} n ∑ Y 2 i − (∑ Yi ) 2 (9.3.7%. ΣX2i = 41. Masih ada rumus lain.6) Dengan sedikit pengerjaan aljabar. dari rumus di atas dapat diturunkan rumus koefisien korelasi.105)(1.3.7670 atau sebesar 76. Contoh 9.7% dapat dijelaskan oleh banyaknya pengunjung melalui hubungan linier X dan Y. ΣXiYi = 37. maka : r2 = r2 = b1b2 (9.2: Misalkanlah model regresi Y = 2 + X2. yaitu yang ditentukan oleh koefisien arah garis regresi Y atas X dan regresi X atas Y.3. Jika persamaan regresi linier Y atas X telah ditentukan dan sudah didapat koefisien arah b.001.029) − (1.001) r= 30(41.8) Rumus itu menyatakan bahwa koefisien korelasi r adalah rata-rata ukur daripada koefisien-koefisien arah b1 dan b2.105) 2 30(33. meningkatnya pengunjung yang datang meningkatkan pula banyaknya yang berbelanja. Bila data telah kita hitung sebagai berikut: ΣXi = 1.4) kita peroleh : 30(37. r = b sx / sy (9.599 ) − (1.1: Misalkanlah kita ingin mengetahui hubungan antara banyaknya pengunjung (X) dan banyaknya yang berbelanja (Y) di sebuah toko.2 dengan s yx = ∑ (Yi − Y )( X i − X ) yang merupakan kuadrat kekeliruan taksiran dan 2 sY = ∑ (Yi − Y ) yang merupakan ragam untuk variabel Y. ΣY2i = 33.105.3.094 ) − (1.001) 2 r = 0. Contoh 9. berarti. yang jelas bahwa model regresi ini bukan regresi linier.599 dan n = 30.8758 { }{ } Dari hasil ini ternyata didapat korelasi positif antara banyak pengunjung X dan yang berbelanja Y. jika koefisien arah regresi Y atas X dan b2 koefisien arah regresi X atas Y untuk data yang sama.

2. maka analisis korelasi bisa berjalan lebih jauh.3. Yi dan harganya ˆ 2 diatas. marilah kita lihat berapa derajad hubungan yang ada antara X dan Y dalam bentuk kuadratik tersebut.3.3. yakni Y = 2 + X2. antara lain menentukan interval taksiran dan menguji hipotesis.1) mudah dilihat bahwa r2 = 1. ini memperlihatkan. .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.4). melainkan hubungan berbentuk lain (dalam hal ini kuadratik). sehingga dari Rumus (9.3). maka distribusi sampling koefisien korelasi akan simetrik dengan µr = 0. ΣXiYi = 0 dan n = 7. Apabila sekarang untuk X dan Y terdapat pola tertentu. Dari kumpulan ini kita dapat membentuk distribusi sampling koefisien korelasi dan selanjutnya rata-rata dan simpangan bakunya dapat dihitung. . Contoh 9.3. 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. berbentuk parabola kuadratik. r2. ΣX2y = 28. Memang hubungan yang ada antara X dan Y.9) 1.r2 40 .Xi Yi -3 11 -2 6 -1 3 0 2 1 3 2 6 3 11 Dari sini mudah dihitung bahwa : ΣXi = 0. . . ΣYi = 42. Yang benar adalah tidak terdapat hubungan linier antara X dan Y. bahwa koefisien korelasi r = 0 dihitung dengan Rumus (9.3. misalnya bagaimana X dan Y berdistribusi. jika dibentuk statistik : r n-2 t= (9. r3. Dibedakan dua hal : Hal A). Dengan Rumus didapat : 7(0) − (0)(42) r= =0 7(28) − (0) 2 7(336 ) − (42) 2 { }{ } Yang berarti tidak terdapat hubungan linier antara X dan Y. ΣX2i = 336. bukan berarti tidak terdapat hubungan antara X dan Y. 9. Dengan demikian ∑ (Yi − Yi ) = 0. 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.3. . Maka didapat kumpulan koefisien korelasi r1. Untuk ini kita gunakan Rumus (9. Populasinya mempunyai ρ = 0 Jika semua sampel acak itu berasal dari populasi normal bervariabel dua dengan ρ = 0. Ini berarti bahwa terdapat hubungan sempurna antara X dan Y yang dinyatakan oleh parabola dengan persamaan Y = 2 + X2. Kita lihat bahwa Y = 6. Rata-rata dari simpangan baku untuk distribusi sampling koefisien korelasi ini akan diberi simbul µr dan σr.

3.3.3. Menaksir Koefisien Korelasi Sebagaimana halnya menaksir prameter-prameter lain (rata-rata µ.4. maka untuk koefisien korelasi ρ pun didapat hal yang sama. Taksiran titik ρ dengan mudah dapat ditentukan ialah koefisien korelasi r yang didapat dari sampel. Transformasi yang digunakan ialah transformasi Fisher : 1+ r   Z = ½ ln   1. simpangan baku σ. yaitu logaritma dengan bilangan pokok e.r  (9.maka akan diperoleh distribusi Student t dengan dk = (n – 2) Hal B). Dalam logaritma biasa.r  (9.10) dengan In berarti logaritma asli.ρ   0   1 σ = n -3 (9. proporsi π) ada dua macam penaksiran. Jika 41 .13) 9. Populasinya mempunyai ρ ≠ 0 Jika populasi dari mana sampel acak itu diambil mempunyai ρ = ρ0 ≠ 0.12) Rumus µz dapat pula ditulis dalam bentuk : 1 + ρ0  µz = (1. maka distribusi sampling koefisien korelasi tidak simetrik. transformasi ini dapat juga ditulis sebagai : 1+ r   Z = (1. distribusi normal yang terjadi (suatu bentuk pendekatan) mempunyai rata-rata dan simpangan baku : 1 + ρ0  µ z = 1 2 ln   1.3. dengan menggunakan sebuah transformasi akan menyebabkan distribusi yang tidak simetrik itu mendekati distribusi normal. ialah taksiran titik dan taksiran interval.1513) log  1− ρ   0   (9.11) Dengan transformasi ini. Dalam hal ini.1513) log   1.3.

4906 = (1. Dalam hal lain.15) Contoh 9. baru batas-batas µz ditentukan.3. yaitu Z. setelah Z didapat.1513) log   1 − 0.903    42 .609    untuk µz = 1.ρ  = 1.7066 didapat : 1+ ρ  0. Jawab : Titik taksiran dengan mudah dapat ditentukan ialah ρ = 0.3.8   = 1.3.0986 < µz < 1.96 1.1513) log   1.ρ     1+ ρ  log   1 . r dihitung dengan rumus (9.14).7066 = (1. maka interval taksiran µz dihitung oleh : Z – z½ γ σz < µz < Z + z½ γ σz (9.13) dan 1 + ρ0 µz = (1.ρ     1+ ρ  log   1 .4906 dihasilkan : 1+ ρ  1.96 1.4906 substitusikan batas-batas ini ke dalam Rumus (9. Untuk µz = 0.hubungan antara X dan Y berbentuk regresi linier.06137 yang menghasilkan ρ = 0. Akhirnya batas-batas ρ dapat ditentukan dengan menggunakan batas-batas µz yang didapat dari Rumus (9. Untuk menentukan interval taksiran koefisien korelasi ρ.3).ρ  = 0.2947 yang menghasilkan ρ = 0.4) atau yang sejenisnya.11) kita peroleh :  1 + 0.3.0986 + 28 − 3 28 − 3 atau 0.12) dan Rumus XVI(15) didapat : 1.3.1513) log   1.3. maka r dihitung dengan Rumus (9. untuk menentukan interval taksiran ρ dengan angka kepercayaan γ = 95% misalnya dengan Rumus (9.8  Dari rumus (9.0986 Z = (1. digunakan transformasi Fisher.7066 < µz < 1. Jika γ = koefisien kepercayaan yang diberikan.80. Untuk kita disini hanya dibahas penaksiran koefisien korelasi apabila regresi antara X dan Y berbentu linier.3.80.3.1513) log  1− ρ 0      (9.3: Sebuah sampel acak dengan ukuran n = 28 telah diambil dari sebuah populasi normal bervariabel dua.14) dengan z½ γ σz didapat dari daftar distribusi normal baku menggunakan peluang ½γ . tentukan taksiran koefisien korelasi ρ untuk populasi. Dari sampel itu didapat r = 0.3.

3. Dari modelnya. Cobalah buat sendiri kesimpulannya! 43 . Dalam hal ini.28) Jika taraf nyata α = 0.½ α).458 antara -2.3.3. maka kita perlu melakukan uji independen.r2 (9.060. Dalam hal pertama merupakan uji pihak kanan sedangkan yang kedua merupakan uji pihak kiri. Untuk menguji H0 : ρ = 0 melawan H1 : ρ ≠ 0.609 < ρ < 0. Tentu saja bentuk alternatif untuk menguji hipotesis H0 bisa H1 : ρ > 0 atau H1 : ρ < 0. Daerah kritis pengujianm.5.16) Selanjutnya untuk taraf nyata = α.9) yaitu : t = r n-2 1. dari daftar distribusi t didapat.16) didapat : ( 0.995 = 2. dimana distribusi t yang digunakan mempunyai dk = (n-2).interval taksiran ρ dengan angka kepercayaan 95% adalah 0.28) 27 − 2 t= = 1.3.060 dan 2.05. Sehingga dalam hal populasi berdistribusi normal ρ = 0 mengakibatkan bahwa X dan Y independen dan sebaliknya. maka hipotesis kita terima jika –t(1.060. t0.3. maka dapat digunakan statistik t seperti dicantumkan dalam Rumus (9. maka ternyata bahwa X dan Y independen. jika sampel acak yang diambil dari populasi normal bervariabel dua itu berukuran n memiliki koefisien korelasi r. maka dari Rumus (9.903 9. Contoh 9. seperti biasa harus disesuaikan dengan alternatif yang diambil.28. Sifat ini tidak berlaku untuk populasi yang tidak berdistribusi normal. Mengingat dalam banyak penelitian sering ingin mengetahui apakah antara dua variabel terdapat hubungan yang independen atau tidak. Menguji Hipotesis Kembali pada populasi bervariabel dua dengan koefisien koperasi ρ. jika ρ = 0. Dalam hal lainnya H0 kita tolak. untuk uji dua pihak.458 2 1 − ( 0. Jadi H0 diterima. maka dengan dk = 25.½α) < t < t(1. 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.4: Untuk pengujian H0 : ρ = 0 melawan H1 : ρ ≠ 0 berdasarkan sebuah sampel acak berukuran n = 27 dengan r = 0. Mudah dilihat bahwa t = 1.

1513) log   1 − 0.µz σz (9. di situ telah didapat r = 0. ditentukan oleh bentuk alternatif. s elanjutnya perlu digunakan angka z : z= Z .9729 z= = 2.96 < z < 1.75 melawan H1 : ρ ≠ 0.75   = 0. Contoh 9.3.96.8758.75  dan 1 σz = = 0.3.11) kita dapat menghitung :  1 + 0. maka dengan transformasi Fisher dalam Rumus (9.5: Dalam contoh 9. jika sampel acak diambil dari populasinormal bervariabel dua dengan koefisien korelasi ρ ≠ 0.3573 − 0.1924 Jika diambil α = 0. Untuk dapat menggunakan daftar distribusi normal baku. Seperti telah dijelaskan dalam Bagian 5.75 Dengan Rumus (9.3573 Z = (1.05.11) akan diperoleh distribusi normal dengan ratarata dan simpangan baku seperti tertera dalam Rumus (9.75 (dari hipotesis H0) didapat :  1 + 0.8758   = 1.8758  sedangkan dari Rumus (9.3.12) dan Rumus (9. telah dihitung koefisien antara banyak pengunjung dan yang berbelanja untuk sampel berukuran n = 30.1924 30 − 3 Akhirnya. pihak kanan atau pihak kiri. apakah dua pihak.12). atau Jika taraf ternyata pengujian diambil α.3.3.3.17) memberikan bilangan baku 1.3.13) dengan ρ0 = 0.00 0.1513) log   1 − 0. maka daerah kritis. seperti biasa. jika diduga bahwa populasinya mempunyai ρ = 0. atau H1 : ρ < ρ0. maka daerah penerimaan H0 adalah -1.Sekarang marilah kita tinjau bagaimana menguji hipotesis ρ yang tidak nol dapat dilakukan.1.9729 µz = (1. Rumus (9.17) Angka z inilah yang akan digunakan untuk menguji hipotesis : H0 : ρ = ρ0 ≠ 0 melawan salah satu alternatif : H1 : ρ ≠ ρ0. 44 . atau H1 : ρ > ρ0. dapatkah sampel tadi menguatkan dugaan tersebut ? Pertanyaan ini akan terjawab apabila kita melakukan pengujian terhadap hipotesis : H0 : ρ = 0.3.3.75.

1513) log   1 − ρ  < 1.1.05.9802  0   1 + ρ0 atau > 7.96 0. Latihan 3 1.1 sehingga ρ0 < 0.96 < < 1.1.3573 .96 < < 1.3573 .96 0.3. 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) : 1.1924 1 + ρ0  atau (1.75. supaya hipotesis bisa diterima.9395. Sampel itu tidak berasal dari populasi dengan ρ = 0.7530 1 − ρ0 Sampel berukuran n = 30 tadi berasal dari sebuah populasi dengan ρ yang besarnya antara 0.µ z .6: Berasal dari populasi dengan ρ berapa sampel di muka telah diambil? Jawab : Jika diambil α = 0.1513) log   1 − ρ  > 0. harus berlaku : 1.1924 1 + ρ0  atau (1. Contoh 9.3573 − µ z < 1.Ternyata bahwa pengujian memberikan hasil yang berarti. X Y 78 60 57 40 59 70 65 66 68 58 44 38 70 60 65 68 50 74 46 54 85 70 65 45 78 89 50 60 75 50 50 40 87 75 78 80 45 90 50 58 45 .96 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).1924 Kita selesaikan hal pertama (ketidaksamaan sebelah kiri) : 1.7344  0   1 + ρ0  atau   1 − ρ  < 32.µ z .7530 dan 0.1 sehingga ρ0 > 0.

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. a. Lakukan uji hipotesis H0: ρ=0 lawan Ha: ρ≠ 0. (Xn. 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. .. Suatu penelitian telah dilakukan untuk menentukan hubungan antara peubah acak X dan peubah acak Y. dapat kita tentukan kuat lemahnya dengan menghitung koefisien korelasinya. (X2. b. Inferensi mengenai ρ berdasarkan r. . c. kita gunakan statistik: 1 1+ r  Z = ln  2 1− r  2 yang mnyebar normal dengan rataan µ Z dan ragam σ Z . Tentukan koefisien determinasinya! c. Hitunglah koefisien korelasi r! b. n=12. . Gunakan taraf nyata α=1% dan 5%. Y2). Gunakan taraf nyata α=5%. . . dimana: 46 .Bila kita anggap bahwa baik motivasi belajar matematika (X) maupun prestasi belajar (Y) keduanya merupakan peubah acak. d. a. Hitunglah koefisien korelasi r! Tentukan koefisien determinasinya! Lakukan uji hipotesis H0: ρ=0 lawan Ha: ρ≠ 0.... Yn) dari suatu populasi. Besaran r2 dinamakan koefisien determinasi yang menunjukkan besarnya keragaman Y yang dapat dijelaskan oleh hubungannya dengan X. Y1). Data hasil penelitian telah dihitung dan didapatkan hasil sebagai berikut: . Bagaimana hasilnya? Rangkuman Hubungan statistik antara peubah X dan peubah Y yang keduanya merupakan peubah acak. 2. Jika sampel acak berukuran n yaitu: (X1.

825 e.268 b. kita peroleh: a. H0 tidak ditolak dan Ha ditolak 47 . H0 ditolak dan Ha diterima b.1 7. dengan cara menemukan satu pilihan jawaban yang paling tepat! A. Koefisien korelasi r. 0. 2.0 8.4 6.9 8. 0.898 d. Pada tabel di bawah ini. 0. -0. maka: a.928 d. data menunjukkan harga X yang menyatakan tingkat kenyamanan guru dalam lingkungannya bekerja. H0 diterima dan Ha ditolak c. 0. Koefisien determinasi kita peroleh: a.9 6.914 b.645 3.4 7.8 7. 16.956 c.931 c.7 5.922 e. 0. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠ 0 kita peroleh: a.3 5.6 7.378 e. dan Y yang menyatakan kinerja guru dalam memberikan pembelajaran terhadap siswanya.922 4. -1. 19.3 6.µZ = 1 1+ ρ  1 2 ln  1 − ρ  dan σ Z = n − 3  2   Tes Formatif 3 Kerjakanlah semua soal di bawah ini. 0.325 b.8 dari data tersebut di atas kita hitung: 1.956 2. 1.396 c. X Y 93 96 108 86 92 80 96 117 95 92 96 108 92 7. Oleh sebab itu. 0. 0.5 7. 9.143 d.

964 9 Koefisien determinasi kita peroleh: 48 .8 7. 0.1 10. 0.4 7. Gunakan data pada soal B dalam Tes Formatif 1 Kegiatan Belajar 1. 0. 5.394 6.896 c.5 10.8 8. 0. 0.444 b. Data pada tabel di bawah ini menunjukkan nilai X yang menyatakan panjang sayap.2 10. -0.2 7. Dari data tersebut kita hitung: 8. Koefisien korelasi r kita peroleh: a. 0. 0.418 7. X Y 10.4 10.1 7. -2. 0. Koefisien korelasi r kita peroleh: a.7 10.946 b.6 7. 9. 2.738 e.3 10. 0.6 11. dan Y yang menyatakan panjang ekor beberapa burung jenis tertentu (dalam cm) hasil penelitian siswa dalam pelajaran Biologi.738 e.478 b. 0. 0.2 7. H0 tidak ditolak dan Ha diterima e.4 7.545 d. -0.d.8 11.4 7.4 7.750 e.2 10.866 c.950 b. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠ 0 kita peroleh: a. 3.9 7. 0.3 dari data di atas kita hitung: 5.566 c.666 d.931 c.928 d.7 7.8 11.2 10. H0 diterima dan Ha tidak ditolak B.666 d.922 C.876 e. Koefisien determinasi kita peroleh: a. -0.

5.485 b.100% = baik sekali 80% . 0.79% = cukup < 70% = kurang Bila Anda mencapai tingkat penguasan 80% atau lebih.991 b. Bagus! Tetapi bila tingkat penguasaan Anda masih di bawah 80%. 0. -2. Anda dapat meneruskan dengan Kegiatan Belajar selanjutnya.447 10. Rumus: Jumlah jawaban Anda yang benar Tingkat Penguasaan = × 100% 10 Arti tingkat penguasaan yang Anda dapat: 90% . 49 . Hitunglah jawaban Anda yang benar.929 c. 0.89% = baik 70% . Anda harus mengulangi Kegiatan Belajar 3. 22. 0. 17.a.865 d.931 c. 0.922 Balikan dan Tindak Lanjut Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 3 yang terdapat di bagian akhir Modul ini.750 e. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠ 0 kita peroleh: a.928 d. 3. terutama bagian yang belum Anda kuasai. Kemudian gunakan rumus di bawah ini untuk mengetahui tingkat penguasaan Anda terhadap materi Kegiatan Belajar 3.876 e.

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

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

Sign up to vote on this title
UsefulNot useful