P. 1
3 Suwarno Modul 9 Analisis Korelasi

3 Suwarno Modul 9 Analisis Korelasi

|Views: 18|Likes:
Published by fulan_khan

More info:

Published by: fulan_khan on Apr 13, 2012
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

11/03/2012

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=
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

Khusus untuk r = 0. harga 1 − r 2 dinamakan koefisien alienasi atau koefisien perenggangan.1) diatas bersifat umum.5) (9.3) r2 dinamakan koefisien determinasi atau koefisien penentu.kepada garis regresi. maka derajat hubungannya akan dinyatakan dengan r dan biasa dinamakan koefisien korelasi karena rumus (9. maka harga I makin dekat kepada satu.3. Untuk keperluan perhitungan koefisien r berdasarkan sekumpulan data (Xi. Harga 1 – r2 sendiri dapat dinamakan koefisien non determinasi. Harga r= + 1menyatakan adanya hubungan linier sempurna langsung antara X dan Y.3. 9.3.1) dan Rumus (9. atau tepatnya terdapat garis regresi yang tuna cocok.2 Korelasi Dalam Regresi Linier Apabila garis regresi yang terbaik untuk sekumpulan data berbentuk linier. 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. Harga r= -1 menyatakan adanya hubungan linier sempurna tak langsung antara X dan Y.4) Bentuk lain dapat pula digunakan.3. 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 harga I makin dekat kepada nol. Koefisien korelasi r tentu saja didapat dengan jalan mengambil akar dari r2.3. 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. Secara umum berlaku 0 < I < 1.3. sedangkan harga X yang kecil berpasangan dengan Y yang kecil pula. ialah : r = 1 − s 2 y. maka hendaknya ini ditafsirkan bahwa tidak terdapat hubungan linier antara variabel-variabel X dan Y. 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. Sebaliknya jika titik-titik itu makin jauh dari garis regresi. maka itu pun berlaku apabila pola hubungan antara Y dan X berbentuk regresi linier.3.x / s 2 y 38 . Ini berarti bahwa titiktitik yang ditentukan oleh (Xi.2) akan berlaku 0 ≤ r2 < 1 sehingga untuk koefisien korelasi didapat hubungan -1 < r < +1. Mudah dilihat bahwa dari Rumus (9. 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.

001) 2 r = 0.8) Rumus itu menyatakan bahwa koefisien korelasi r adalah rata-rata ukur daripada koefisien-koefisien arah b1 dan b2.7) dengan sx simpangan baku untuk variabel X dan sy simpangan baku untuk variabel Y.001) r= 30(41. ΣYi = 1. Besar hubungannya ditentukan oleh koefisien determinasi r2 = 0.1: Misalkanlah kita ingin mengetahui hubungan antara banyaknya pengunjung (X) dan banyaknya yang berbelanja (Y) di sebuah toko. Bila data telah kita hitung sebagai berikut: ΣXi = 1.2 dengan s yx = ∑ (Yi − Y )( X i − X ) yang merupakan kuadrat kekeliruan taksiran dan 2 sY = ∑ (Yi − Y ) yang merupakan ragam untuk variabel Y. r = b sx / sy (9. Contoh 9.094 ) − (1.3.599 ) − (1.6) Dengan sedikit pengerjaan aljabar. Jika persamaan regresi linier Y atas X telah ditentukan dan sudah didapat koefisien arah b.3. Dari rumus (9.105. ΣXiYi = 37. yaitu yang ditentukan oleh koefisien arah garis regresi Y atas X dan regresi X atas Y.8758 { }{ } Dari hasil ini ternyata didapat korelasi positif antara banyak pengunjung X dan yang berbelanja Y. ΣY2i = 33.3.7% dapat dijelaskan oleh banyaknya pengunjung melalui hubungan linier X dan Y.7%. Masih ada rumus lain.599 dan n = 30. Ini berarti bahwa meningkatnya atau menurunnya pembeli 76.7670 atau sebesar 76.3.105)(1. berarti.105) 2 30(33. jika koefisien arah regresi Y atas X dan b2 koefisien arah regresi X atas Y untuk data yang sama.3. meningkatnya pengunjung yang datang meningkatkan pula banyaknya yang berbelanja. 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. ΣX2i = 41.001. dari rumus di atas dapat diturunkan rumus koefisien korelasi. Kita ambil harga-harga sebagai berikut : 39 . Contoh 9.029. maka : r2 = r2 = b1b2 (9.094.2: Misalkanlah model regresi Y = 2 + X2.4) kita peroleh : 30(37. yang jelas bahwa model regresi ini bukan regresi linier.029) − (1. sedangkan sisanya ditentukan oleh keadaan lain.

sehingga dari Rumus (9. Contoh 9. antara lain menentukan interval taksiran dan menguji hipotesis. r3. . marilah kita lihat berapa derajad hubungan yang ada antara X dan Y dalam bentuk kuadratik tersebut. Yang benar adalah tidak terdapat hubungan linier antara X dan Y. melainkan hubungan berbentuk lain (dalam hal ini kuadratik). Memang hubungan yang ada antara X dan Y. Apabila sekarang untuk X dan Y terdapat pola tertentu. 9. bukan berarti tidak terdapat hubungan antara X dan Y.3.3. bahwa koefisien korelasi r = 0 dihitung dengan Rumus (9.Xi Yi -3 11 -2 6 -1 3 0 2 1 3 2 6 3 11 Dari sini mudah dihitung bahwa : ΣXi = 0.3. 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.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.9) 1. ΣX2i = 336.1) mudah dilihat bahwa r2 = 1. Rata-rata dari simpangan baku untuk distribusi sampling koefisien korelasi ini akan diberi simbul µr dan σr.2.3).3. Dari kumpulan ini kita dapat membentuk distribusi sampling koefisien korelasi dan selanjutnya rata-rata dan simpangan bakunya dapat dihitung.r2 40 . Dibedakan dua hal : Hal A). ΣYi = 42.3. Untuk ini kita gunakan Rumus (9. r2. berbentuk parabola kuadratik. Sekarang. maka analisis korelasi bisa berjalan lebih jauh. Populasinya mempunyai ρ = 0 Jika semua sampel acak itu berasal dari populasi normal bervariabel dua dengan ρ = 0. Kita lihat bahwa Y = 6. maka distribusi sampling koefisien korelasi akan simetrik dengan µr = 0. ΣXiYi = 0 dan n = 7. Ini berarti bahwa terdapat hubungan sempurna antara X dan Y yang dinyatakan oleh parabola dengan persamaan Y = 2 + X2. Dengan demikian ∑ (Yi − Yi ) = 0. ini memperlihatkan. Yi dan harganya ˆ 2 diatas. Maka didapat kumpulan koefisien korelasi r1. misalnya bagaimana X dan Y berdistribusi. jika dibentuk statistik : r n-2 t= (9.4). . ΣX2y = 28.3. . . 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. . yakni Y = 2 + X2. Untuk ini dimisalkan bahwa X dan Y berdistribusi gabungan normal bervariabel dua yang didalamnya antara lain berisikan parameter ρ (baca : rho) sebagai koefisien korelasinya.

Dalam logaritma biasa. Jika 41 . dengan menggunakan sebuah transformasi akan menyebabkan distribusi yang tidak simetrik itu mendekati distribusi normal. transformasi ini dapat juga ditulis sebagai : 1+ r   Z = (1. Dalam hal ini. yaitu logaritma dengan bilangan pokok e.12) Rumus µz dapat pula ditulis dalam bentuk : 1 + ρ0  µz = (1. Transformasi yang digunakan ialah transformasi Fisher : 1+ r   Z = ½ ln   1.ρ   0   1 σ = n -3 (9.3. simpangan baku σ.r  (9.1513) log   1.3. Populasinya mempunyai ρ ≠ 0 Jika populasi dari mana sampel acak itu diambil mempunyai ρ = ρ0 ≠ 0.11) Dengan transformasi ini. Taksiran titik ρ dengan mudah dapat ditentukan ialah koefisien korelasi r yang didapat dari sampel.13) 9.10) dengan In berarti logaritma asli.3. maka distribusi sampling koefisien korelasi tidak simetrik. ialah taksiran titik dan taksiran interval.4.3. Menaksir Koefisien Korelasi Sebagaimana halnya menaksir prameter-prameter lain (rata-rata µ. distribusi normal yang terjadi (suatu bentuk pendekatan) mempunyai rata-rata dan simpangan baku : 1 + ρ0  µ z = 1 2 ln   1.maka akan diperoleh distribusi Student t dengan dk = (n – 2) Hal B). maka untuk koefisien korelasi ρ pun didapat hal yang sama. proporsi π) ada dua macam penaksiran.r  (9.1513) log  1− ρ   0   (9.3.

96 1.3.3.3.3.1513) log  1− ρ 0      (9.12) dan Rumus XVI(15) didapat : 1.3.7066 didapat : 1+ ρ  0.15) Contoh 9.903    42 .4906 = (1.14) dengan z½ γ σz didapat dari daftar distribusi normal baku menggunakan peluang ½γ .7066 < µz < 1.1513) log   1.3.ρ     1+ ρ  log   1 .13) dan 1 + ρ0 µz = (1.3. maka r dihitung dengan Rumus (9. Jawab : Titik taksiran dengan mudah dapat ditentukan ialah ρ = 0.3).11) kita peroleh :  1 + 0. Akhirnya batas-batas ρ dapat ditentukan dengan menggunakan batas-batas µz yang didapat dari Rumus (9.80. Untuk menentukan interval taksiran koefisien korelasi ρ.8  Dari rumus (9. maka interval taksiran µz dihitung oleh : Z – z½ γ σz < µz < Z + z½ γ σz (9. yaitu Z.4906 dihasilkan : 1+ ρ  1.7066 = (1.96 1.1513) log   1 − 0.4) atau yang sejenisnya.0986 Z = (1.3.hubungan antara X dan Y berbentuk regresi linier. Dari sampel itu didapat r = 0. digunakan transformasi Fisher. setelah Z didapat.ρ     1+ ρ  log   1 .0986 < µz < 1. Jika γ = koefisien kepercayaan yang diberikan. untuk menentukan interval taksiran ρ dengan angka kepercayaan γ = 95% misalnya dengan Rumus (9. baru batas-batas µz ditentukan.2947 yang menghasilkan ρ = 0.8   = 1.06137 yang menghasilkan ρ = 0.ρ  = 1. Dalam hal lain. r dihitung dengan rumus (9.1513) log   1.ρ  = 0.14).3.80. Untuk µz = 0.609    untuk µz = 1.3: Sebuah sampel acak dengan ukuran n = 28 telah diambil dari sebuah populasi normal bervariabel dua.4906 substitusikan batas-batas ini ke dalam Rumus (9. Untuk kita disini hanya dibahas penaksiran koefisien korelasi apabila regresi antara X dan Y berbentu linier.0986 + 28 − 3 28 − 3 atau 0. tentukan taksiran koefisien korelasi ρ untuk populasi.

maka hipotesis kita terima jika –t(1.3. Jadi H0 diterima. jika sampel acak yang diambil dari populasi normal bervariabel dua itu berukuran n memiliki koefisien korelasi r.609 < ρ < 0.4: Untuk pengujian H0 : ρ = 0 melawan H1 : ρ ≠ 0 berdasarkan sebuah sampel acak berukuran n = 27 dengan r = 0.½α) < t < t(1. Sehingga dalam hal populasi berdistribusi normal ρ = 0 mengakibatkan bahwa X dan Y independen dan sebaliknya. maka ternyata bahwa X dan Y independen.28. Mengingat dalam banyak penelitian sering ingin mengetahui apakah antara dua variabel terdapat hubungan yang independen atau tidak.060.903 9. untuk uji dua pihak.3. Untuk menguji H0 : ρ = 0 melawan H1 : ρ ≠ 0.3. Sifat ini tidak berlaku untuk populasi yang tidak berdistribusi normal. Tentu saja bentuk alternatif untuk menguji hipotesis H0 bisa H1 : ρ > 0 atau H1 : ρ < 0. Dalam hal lainnya H0 kita tolak. Dalam hal ini. jika ρ = 0. Daerah kritis pengujianm.3.16) Selanjutnya untuk taraf nyata = α.r2 (9.9) yaitu : t = r n-2 1. Contoh 9.060.½ α). maka dengan dk = 25.458 2 1 − ( 0. Dalam hal pertama merupakan uji pihak kanan sedangkan yang kedua merupakan uji pihak kiri. Mudah dilihat bahwa t = 1.28) Jika taraf nyata α = 0.interval taksiran ρ dengan angka kepercayaan 95% adalah 0.995 = 2. t0. Cobalah buat sendiri kesimpulannya! 43 . Dari modelnya.05. dari daftar distribusi t didapat.060 dan 2. maka dari Rumus (9.28) 27 − 2 t= = 1. seperti biasa harus disesuaikan dengan alternatif yang diambil.3.458 antara -2. maka kita perlu melakukan uji independen. maka dapat digunakan statistik t seperti dicantumkan dalam Rumus (9. Menguji Hipotesis Kembali pada populasi bervariabel dua dengan koefisien koperasi ρ.5.16) didapat : ( 0. 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.

3.12).75.75 (dari hipotesis H0) didapat :  1 + 0. jika sampel acak diambil dari populasinormal bervariabel dua dengan koefisien korelasi ρ ≠ 0.3.17) memberikan bilangan baku 1.3573 Z = (1.96. atau H1 : ρ < ρ0. dapatkah sampel tadi menguatkan dugaan tersebut ? Pertanyaan ini akan terjawab apabila kita melakukan pengujian terhadap hipotesis : H0 : ρ = 0. di situ telah didapat r = 0.8758   = 1. atau H1 : ρ > ρ0.8758.5: Dalam contoh 9.3.75 melawan H1 : ρ ≠ 0.1924 Jika diambil α = 0.3.Sekarang marilah kita tinjau bagaimana menguji hipotesis ρ yang tidak nol dapat dilakukan. maka daerah kritis. 44 . apakah dua pihak. Contoh 9. ditentukan oleh bentuk alternatif. atau Jika taraf ternyata pengujian diambil α.8758  sedangkan dari Rumus (9. seperti biasa.00 0.µz σz (9.9729 µz = (1.3.11) kita dapat menghitung :  1 + 0. Seperti telah dijelaskan dalam Bagian 5.75 Dengan Rumus (9. s elanjutnya perlu digunakan angka z : z= Z .11) akan diperoleh distribusi normal dengan ratarata dan simpangan baku seperti tertera dalam Rumus (9.96 < z < 1.05. Rumus (9. Untuk dapat menggunakan daftar distribusi normal baku.3.3.1513) log   1 − 0.3.12) dan Rumus (9. jika diduga bahwa populasinya mempunyai ρ = 0.3.9729 z= = 2.17) Angka z inilah yang akan digunakan untuk menguji hipotesis : H0 : ρ = ρ0 ≠ 0 melawan salah satu alternatif : H1 : ρ ≠ ρ0.1924 30 − 3 Akhirnya.75  dan 1 σz = = 0.1.75   = 0. pihak kanan atau pihak kiri.13) dengan ρ0 = 0.3573 − 0. maka daerah penerimaan H0 adalah -1. maka dengan transformasi Fisher dalam Rumus (9. telah dihitung koefisien antara banyak pengunjung dan yang berbelanja untuk sampel berukuran n = 30.1513) log   1 − 0.

µ z .3. 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).1513) log   1 − ρ  > 0.96 0. 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 .6: Berasal dari populasi dengan ρ berapa sampel di muka telah diambil? Jawab : Jika diambil α = 0.96 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. maka untuk menguji hipotesis : Ho : ρ = ρ0 melawan H1 : ρ ≠ ρ0 dimana ρ0 bilangan yang akan dicari.75. Contoh 9.Ternyata bahwa pengujian memberikan hasil yang berarti.3573 . supaya hipotesis bisa diterima.3573 .1924 1 + ρ0  atau (1. Latihan 3 1.1924 1 + ρ0  atau (1.3573 − µ z < 1.9802  0   1 + ρ0 atau > 7.1 sehingga ρ0 < 0.1.96 0.1924 Kita selesaikan hal pertama (ketidaksamaan sebelah kiri) : 1.05.1.9395.96 < < 1.9395  0   Hal kedua adalah (ketidaksamaan sebelah kanan) : 1. harus berlaku : 1.96 < < 1.1 sehingga ρ0 > 0.1513) log   1 − ρ  < 1.7344  0   1 + ρ0  atau   1 − ρ  < 32.7530 dan 0.µ z .

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

9 6. 0. 0.1 7. -0.898 d.7 5.956 2.143 d.4 7. 0. 16.914 b.931 c. data menunjukkan harga X yang menyatakan tingkat kenyamanan guru dalam lingkungannya bekerja. Pada tabel di bawah ini.922 e. dan Y yang menyatakan kinerja guru dalam memberikan pembelajaran terhadap siswanya. 1. -1.6 7.378 e.8 7. dengan cara menemukan satu pilihan jawaban yang paling tepat! A.956 c. Koefisien korelasi r.5 7. maka: a. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠ 0 kita peroleh: a.0 8. 0.268 b. H0 diterima dan Ha ditolak c.325 b. H0 ditolak dan Ha diterima b.922 4.µZ = 1 1+ ρ  1 2 ln  1 − ρ  dan σ Z = n − 3  2   Tes Formatif 3 Kerjakanlah semua soal di bawah ini. 19.3 6. kita peroleh: a.928 d. 2.3 5. X Y 93 96 108 86 92 80 96 117 95 92 96 108 92 7. Oleh sebab itu.645 3. 0.9 8. H0 tidak ditolak dan Ha ditolak 47 .8 dari data tersebut di atas kita hitung: 1. 0.396 c. 0. Koefisien determinasi kita peroleh: a. 0.825 e. 9.4 6.

1 10.394 6. Koefisien determinasi kita peroleh: a. H0 tidak ditolak dan Ha diterima e.738 e.478 b.6 7. 0.2 10.946 b. 0. 0.922 C.8 11. 9. 0. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠ 0 kita peroleh: a. 0.750 e.5 10.8 11. -0. dan Y yang menyatakan panjang ekor beberapa burung jenis tertentu (dalam cm) hasil penelitian siswa dalam pelajaran Biologi. X Y 10. 0. Dari data tersebut kita hitung: 8.4 7.7 7. -0.4 10. Data pada tabel di bawah ini menunjukkan nilai X yang menyatakan panjang sayap.931 c.3 10.738 e.964 9 Koefisien determinasi kita peroleh: 48 .2 7. 5. 0. Koefisien korelasi r kita peroleh: a.666 d. 2.566 c.866 c.d.9 7.876 e.545 d.4 7.8 8.2 7.928 d.666 d.1 7.950 b. 0.6 11.418 7. Koefisien korelasi r kita peroleh: a.896 c.8 7.4 7.2 10.7 10. 0. 3. H0 diterima dan Ha tidak ditolak B.2 10.444 b.3 dari data di atas kita hitung: 5. -2. Gunakan data pada soal B dalam Tes Formatif 1 Kegiatan Belajar 1.4 7. 0. 0. 0. -0.

100% = baik sekali 80% .750 e. 0. 0. 0.876 e. Anda dapat meneruskan dengan Kegiatan Belajar selanjutnya. Rumus: Jumlah jawaban Anda yang benar Tingkat Penguasaan = × 100% 10 Arti tingkat penguasaan yang Anda dapat: 90% .922 Balikan dan Tindak Lanjut Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 3 yang terdapat di bagian akhir Modul ini.928 d. 5. 0. 22. 3. 0.991 b.447 10. Hitunglah jawaban Anda yang benar.a. Kemudian gunakan rumus di bawah ini untuk mengetahui tingkat penguasaan Anda terhadap materi Kegiatan Belajar 3. terutama bagian yang belum Anda kuasai.929 c.79% = cukup < 70% = kurang Bila Anda mencapai tingkat penguasan 80% atau lebih.485 b. Bagus! Tetapi bila tingkat penguasaan Anda masih di bawah 80%. -2.865 d. 17.89% = baik 70% . Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠ 0 kita peroleh: a. 49 .931 c. Anda harus mengulangi Kegiatan Belajar 3.

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

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

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)//-->