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

maka derajat hubungannya akan dinyatakan dengan r dan biasa dinamakan koefisien korelasi karena rumus (9. Harga 1 – r2 sendiri dapat dinamakan koefisien non determinasi. 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 = 0.3. atau tepatnya terdapat garis regresi yang tuna cocok. 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. Secara umum berlaku 0 < I < 1.5) (9.3. maka harga I makin dekat kepada nol.3. Mudah dilihat bahwa dari Rumus (9. Harga r= + 1menyatakan adanya hubungan linier sempurna langsung antara X dan Y.2) akan berlaku 0 ≤ r2 < 1 sehingga untuk koefisien korelasi didapat hubungan -1 < r < +1. Harga r= -1 menyatakan adanya hubungan linier sempurna tak langsung antara X dan Y. Koefisien korelasi r tentu saja didapat dengan jalan mengambil akar dari r2. ialah : r = 1 − s 2 y. 9.kepada garis regresi.4) Bentuk lain dapat pula digunakan. sedangkan harga X yang kecil berpasangan dengan Y yang kecil pula.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.3. Ini berarti bahwa titiktitik yang ditentukan oleh (Xi. Untuk keperluan perhitungan koefisien r berdasarkan sekumpulan data (Xi.x / s 2 y 38 .3. maka harga I makin dekat kepada satu. 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) r2 dinamakan koefisien determinasi atau koefisien penentu.2 Korelasi Dalam Regresi Linier Apabila garis regresi yang terbaik untuk sekumpulan data berbentuk linier. harga 1 − r 2 dinamakan koefisien alienasi atau koefisien perenggangan.3.1) dan Rumus (9. maka hendaknya ini ditafsirkan bahwa tidak terdapat hubungan linier antara variabel-variabel X dan Y. Dalam hal ini I akan diganti oleh r2 dan diperoleh : r2 = ˆ ∑(Yi − Y) 2 − ∑( Yi − Yi ) 2 ∑(Yi − Y) 2 (9. Letak titik-titik ada pada garis regresi linier dengan sifat bahwa harga X yang besar berpasangan dengan harga Y yang besar. Sebaliknya jika titik-titik itu makin jauh dari garis regresi. maka itu pun berlaku apabila pola hubungan antara Y dan X berbentuk regresi linier.

094.001) 2 r = 0. Besar hubungannya ditentukan oleh koefisien determinasi r2 = 0.8) Rumus itu menyatakan bahwa koefisien korelasi r adalah rata-rata ukur daripada koefisien-koefisien arah b1 dan b2.3.7) dengan sx simpangan baku untuk variabel X dan sy simpangan baku untuk variabel Y.029. Contoh 9.105) 2 30(33.105)(1.2: Misalkanlah model regresi Y = 2 + X2.1: Misalkanlah kita ingin mengetahui hubungan antara banyaknya pengunjung (X) dan banyaknya yang berbelanja (Y) di sebuah toko.7670 atau sebesar 76. Masih ada rumus lain. maka koefisien determinasi r2 dapat ditentukan oleh rumus: 2 r2 = b { n ∑ X i Y − (∑ X i )( ∑ Yi )} n ∑ Y 2 i − (∑ Yi ) 2 (9.105.001.4) kita peroleh : 30(37.6) Dengan sedikit pengerjaan aljabar.3. sedangkan sisanya ditentukan oleh keadaan lain. meningkatnya pengunjung yang datang meningkatkan pula banyaknya yang berbelanja.599 ) − (1. Contoh 9.7%.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. ΣYi = 1.3.094 ) − (1. dari rumus di atas dapat diturunkan rumus koefisien korelasi. berarti. Kita ambil harga-harga sebagai berikut : 39 . yaitu yang ditentukan oleh koefisien arah garis regresi Y atas X dan regresi X atas Y. yang jelas bahwa model regresi ini bukan regresi linier.8758 { }{ } Dari hasil ini ternyata didapat korelasi positif antara banyak pengunjung X dan yang berbelanja Y.599 dan n = 30. ΣX2i = 41.7% dapat dijelaskan oleh banyaknya pengunjung melalui hubungan linier X dan Y. ΣY2i = 33.3. maka : r2 = r2 = b1b2 (9. jika koefisien arah regresi Y atas X dan b2 koefisien arah regresi X atas Y untuk data yang sama.001) r= 30(41. ΣXiYi = 37.3.029) − (1.3. r = b sx / sy (9. Bila data telah kita hitung sebagai berikut: ΣXi = 1. Jika persamaan regresi linier Y atas X telah ditentukan dan sudah didapat koefisien arah b. Ini berarti bahwa meningkatnya atau menurunnya pembeli 76. Dari rumus (9.

jika dibentuk statistik : r n-2 t= (9. r3. Apabila sekarang untuk X dan Y terdapat pola tertentu. Ini berarti bahwa terdapat hubungan sempurna antara X dan Y yang dinyatakan oleh parabola dengan persamaan Y = 2 + X2. berbentuk parabola kuadratik. Dengan demikian ∑ (Yi − Yi ) = 0. Untuk ini dimisalkan bahwa X dan Y berdistribusi gabungan normal bervariabel dua yang didalamnya antara lain berisikan parameter ρ (baca : rho) sebagai koefisien korelasinya. Dibedakan dua hal : Hal A). melainkan hubungan berbentuk lain (dalam hal ini kuadratik).3.2.3. Sekarang.3). Memang hubungan yang ada antara X dan Y. Contoh 9. . Yang benar adalah tidak terdapat hubungan linier antara X dan Y. ΣX2i = 336. Untuk ini kita gunakan Rumus (9. ΣYi = 42. 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. ΣXiYi = 0 dan n = 7. Maka didapat kumpulan koefisien korelasi r1. bahwa koefisien korelasi r = 0 dihitung dengan Rumus (9. . bukan berarti tidak terdapat hubungan antara X dan Y.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. 9. Kita lihat bahwa Y = 6.1) mudah dilihat bahwa r2 = 1. antara lain menentukan interval taksiran dan menguji hipotesis. maka analisis korelasi bisa berjalan lebih jauh. ΣX2y = 28.Xi Yi -3 11 -2 6 -1 3 0 2 1 3 2 6 3 11 Dari sini mudah dihitung bahwa : ΣXi = 0. maka distribusi sampling koefisien korelasi akan simetrik dengan µr = 0.r2 40 . Dari kumpulan ini kita dapat membentuk distribusi sampling koefisien korelasi dan selanjutnya rata-rata dan simpangan bakunya dapat dihitung. Rata-rata dari simpangan baku untuk distribusi sampling koefisien korelasi ini akan diberi simbul µr dan σr. r2. yakni Y = 2 + X2.9) 1.4).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. Populasinya mempunyai ρ = 0 Jika semua sampel acak itu berasal dari populasi normal bervariabel dua dengan ρ = 0. ini memperlihatkan. . . misalnya bagaimana X dan Y berdistribusi. Yi dan harganya ˆ 2 diatas.3. marilah kita lihat berapa derajad hubungan yang ada antara X dan Y dalam bentuk kuadratik tersebut. .3. sehingga dari Rumus (9.3.

Jika 41 .1513) log  1− ρ   0   (9.3.maka akan diperoleh distribusi Student t dengan dk = (n – 2) Hal B). maka distribusi sampling koefisien korelasi tidak simetrik. yaitu logaritma dengan bilangan pokok e.1513) log   1. Populasinya mempunyai ρ ≠ 0 Jika populasi dari mana sampel acak itu diambil mempunyai ρ = ρ0 ≠ 0.10) dengan In berarti logaritma asli. distribusi normal yang terjadi (suatu bentuk pendekatan) mempunyai rata-rata dan simpangan baku : 1 + ρ0  µ z = 1 2 ln   1.3. proporsi π) ada dua macam penaksiran. Taksiran titik ρ dengan mudah dapat ditentukan ialah koefisien korelasi r yang didapat dari sampel. simpangan baku σ. Menaksir Koefisien Korelasi Sebagaimana halnya menaksir prameter-prameter lain (rata-rata µ.11) Dengan transformasi ini. transformasi ini dapat juga ditulis sebagai : 1+ r   Z = (1. ialah taksiran titik dan taksiran interval.4.3.r  (9. Transformasi yang digunakan ialah transformasi Fisher : 1+ r   Z = ½ ln   1.ρ   0   1 σ = n -3 (9.3. Dalam hal ini.12) Rumus µz dapat pula ditulis dalam bentuk : 1 + ρ0  µz = (1.13) 9. Dalam logaritma biasa.r  (9. maka untuk koefisien korelasi ρ pun didapat hal yang sama.3. dengan menggunakan sebuah transformasi akan menyebabkan distribusi yang tidak simetrik itu mendekati distribusi normal.

ρ  = 1.8   = 1.903    42 .1513) log   1 − 0. maka interval taksiran µz dihitung oleh : Z – z½ γ σz < µz < Z + z½ γ σz (9.3.4906 = (1.3.8  Dari rumus (9.3. Jika γ = koefisien kepercayaan yang diberikan.06137 yang menghasilkan ρ = 0.3. digunakan transformasi Fisher.3: Sebuah sampel acak dengan ukuran n = 28 telah diambil dari sebuah populasi normal bervariabel dua. setelah Z didapat. baru batas-batas µz ditentukan.7066 = (1. Jawab : Titik taksiran dengan mudah dapat ditentukan ialah ρ = 0.3.96 1.3. Dalam hal lain.1513) log   1.4906 dihasilkan : 1+ ρ  1.2947 yang menghasilkan ρ = 0.11) kita peroleh :  1 + 0.15) Contoh 9. r dihitung dengan rumus (9.80.1513) log  1− ρ 0      (9. Untuk menentukan interval taksiran koefisien korelasi ρ.4) atau yang sejenisnya. Untuk µz = 0. untuk menentukan interval taksiran ρ dengan angka kepercayaan γ = 95% misalnya dengan Rumus (9. Dari sampel itu didapat r = 0.0986 < µz < 1.13) dan 1 + ρ0 µz = (1.14) dengan z½ γ σz didapat dari daftar distribusi normal baku menggunakan peluang ½γ .0986 + 28 − 3 28 − 3 atau 0.609    untuk µz = 1. Untuk kita disini hanya dibahas penaksiran koefisien korelasi apabila regresi antara X dan Y berbentu linier.7066 didapat : 1+ ρ  0.3).4906 substitusikan batas-batas ini ke dalam Rumus (9.7066 < µz < 1.3.hubungan antara X dan Y berbentuk regresi linier. Akhirnya batas-batas ρ dapat ditentukan dengan menggunakan batas-batas µz yang didapat dari Rumus (9.ρ     1+ ρ  log   1 .1513) log   1.ρ  = 0.3. tentukan taksiran koefisien korelasi ρ untuk populasi.80. yaitu Z.12) dan Rumus XVI(15) didapat : 1.14).ρ     1+ ρ  log   1 . maka r dihitung dengan Rumus (9.0986 Z = (1.96 1.3.

Dalam hal lainnya H0 kita tolak.609 < ρ < 0. Menguji Hipotesis Kembali pada populasi bervariabel dua dengan koefisien koperasi ρ. Dalam hal ini. t0. Mudah dilihat bahwa t = 1. Untuk menguji H0 : ρ = 0 melawan H1 : ρ ≠ 0.16) Selanjutnya untuk taraf nyata = α.3. Tentu saja bentuk alternatif untuk menguji hipotesis H0 bisa H1 : ρ > 0 atau H1 : ρ < 0. maka ternyata bahwa X dan Y independen. maka dari Rumus (9. Sehingga dalam hal populasi berdistribusi normal ρ = 0 mengakibatkan bahwa X dan Y independen dan sebaliknya.458 antara -2.060.28) Jika taraf nyata α = 0.995 = 2. seperti biasa harus disesuaikan dengan alternatif yang diambil.16) didapat : ( 0. untuk uji dua pihak.05.3.3. Cobalah buat sendiri kesimpulannya! 43 .3. jika sampel acak yang diambil dari populasi normal bervariabel dua itu berukuran n memiliki koefisien korelasi r.458 2 1 − ( 0.28) 27 − 2 t= = 1.903 9. Daerah kritis pengujianm. jika ρ = 0. 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. maka hipotesis kita terima jika –t(1.28.½ α). maka dengan dk = 25. Dalam hal pertama merupakan uji pihak kanan sedangkan yang kedua merupakan uji pihak kiri. Mengingat dalam banyak penelitian sering ingin mengetahui apakah antara dua variabel terdapat hubungan yang independen atau tidak. maka kita perlu melakukan uji independen. Sifat ini tidak berlaku untuk populasi yang tidak berdistribusi normal. Dari modelnya.½α) < t < t(1.060 dan 2. Contoh 9.4: Untuk pengujian H0 : ρ = 0 melawan H1 : ρ ≠ 0 berdasarkan sebuah sampel acak berukuran n = 27 dengan r = 0.060.9) yaitu : t = r n-2 1. Jadi H0 diterima.5.interval taksiran ρ dengan angka kepercayaan 95% adalah 0. maka dapat digunakan statistik t seperti dicantumkan dalam Rumus (9.3. dari daftar distribusi t didapat.r2 (9. dimana distribusi t yang digunakan mempunyai dk = (n-2).

75.8758.75  dan 1 σz = = 0.1924 30 − 3 Akhirnya.Sekarang marilah kita tinjau bagaimana menguji hipotesis ρ yang tidak nol dapat dilakukan.3.17) Angka z inilah yang akan digunakan untuk menguji hipotesis : H0 : ρ = ρ0 ≠ 0 melawan salah satu alternatif : H1 : ρ ≠ ρ0.8758  sedangkan dari Rumus (9. telah dihitung koefisien antara banyak pengunjung dan yang berbelanja untuk sampel berukuran n = 30.96. jika diduga bahwa populasinya mempunyai ρ = 0.3.12).9729 z= = 2. ditentukan oleh bentuk alternatif.3. Rumus (9.96 < z < 1.3.3.1. atau H1 : ρ > ρ0.3573 − 0.3.3573 Z = (1.17) memberikan bilangan baku 1.13) dengan ρ0 = 0.9729 µz = (1. maka dengan transformasi Fisher dalam Rumus (9.75   = 0. atau H1 : ρ < ρ0.11) akan diperoleh distribusi normal dengan ratarata dan simpangan baku seperti tertera dalam Rumus (9. seperti biasa.3.8758   = 1.75 melawan H1 : ρ ≠ 0. dapatkah sampel tadi menguatkan dugaan tersebut ? Pertanyaan ini akan terjawab apabila kita melakukan pengujian terhadap hipotesis : H0 : ρ = 0.1924 Jika diambil α = 0. pihak kanan atau pihak kiri. apakah dua pihak. maka daerah kritis. atau Jika taraf ternyata pengujian diambil α. jika sampel acak diambil dari populasinormal bervariabel dua dengan koefisien korelasi ρ ≠ 0.00 0. Untuk dapat menggunakan daftar distribusi normal baku. 44 .1513) log   1 − 0.75 Dengan Rumus (9. maka daerah penerimaan H0 adalah -1.1513) log   1 − 0.5: Dalam contoh 9.3. di situ telah didapat r = 0.75 (dari hipotesis H0) didapat :  1 + 0. s elanjutnya perlu digunakan angka z : z= Z . Seperti telah dijelaskan dalam Bagian 5.µz σz (9.11) kita dapat menghitung :  1 + 0.12) dan Rumus (9. Contoh 9.05.3.

96 0.1924 1 + ρ0  atau (1.1924 1 + ρ0  atau (1.1.3573 .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). harus berlaku : 1.7530 dan 0.1.96 < < 1.7530 1 − ρ0 Sampel berukuran n = 30 tadi berasal dari sebuah populasi dengan ρ yang besarnya antara 0.3573 . Contoh 9. Latihan 3 1.µ z .75. 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 0.7344  0   1 + ρ0  atau   1 − ρ  < 32. maka untuk menguji hipotesis : Ho : ρ = ρ0 melawan H1 : ρ ≠ ρ0 dimana ρ0 bilangan yang akan dicari. supaya hipotesis bisa diterima.µ z . Sampel itu tidak berasal dari populasi dengan ρ = 0.1 sehingga ρ0 > 0.9395.6: Berasal dari populasi dengan ρ berapa sampel di muka telah diambil? Jawab : Jika diambil α = 0.1513) log   1 − ρ  > 0.1924 Kita selesaikan hal pertama (ketidaksamaan sebelah kiri) : 1.96 < < 1.3573 − µ z < 1.9395  0   Hal kedua adalah (ketidaksamaan sebelah kanan) : 1.3.1 sehingga ρ0 < 0.1513) log   1 − ρ  < 1.9802  0   1 + ρ0 atau > 7.05.Ternyata bahwa pengujian memberikan hasil yang berarti.

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

922 e.143 d. 0.5 7.3 5. data menunjukkan harga X yang menyatakan tingkat kenyamanan guru dalam lingkungannya bekerja. 19.8 dari data tersebut di atas kita hitung: 1. 16. 0.3 6. 0. -0.922 4. Koefisien determinasi kita peroleh: a.956 2.956 c. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠ 0 kita peroleh: a.898 d. Pada tabel di bawah ini. -1. 0.325 b. 2.396 c.931 c.0 8.268 b. X Y 93 96 108 86 92 80 96 117 95 92 96 108 92 7. Oleh sebab itu.825 e.9 6.378 e.1 7.7 5. H0 tidak ditolak dan Ha ditolak 47 . kita peroleh: a.µZ = 1 1+ ρ  1 2 ln  1 − ρ  dan σ Z = n − 3  2   Tes Formatif 3 Kerjakanlah semua soal di bawah ini. dengan cara menemukan satu pilihan jawaban yang paling tepat! A.8 7.4 7. 0. H0 ditolak dan Ha diterima b.645 3.6 7. 9.928 d.914 b. 0. H0 diterima dan Ha ditolak c. 0. maka: a.4 6. 0. 1. Koefisien korelasi r. dan Y yang menyatakan kinerja guru dalam memberikan pembelajaran terhadap siswanya.9 8.

Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠ 0 kita peroleh: a.4 7. 0. dan Y yang menyatakan panjang ekor beberapa burung jenis tertentu (dalam cm) hasil penelitian siswa dalam pelajaran Biologi.8 11. 0. 9.8 11.7 7.7 10. 0. 0. Gunakan data pada soal B dalam Tes Formatif 1 Kegiatan Belajar 1.2 7.545 d.738 e. Koefisien korelasi r kita peroleh: a.928 d.946 b. -0.2 10.9 7.4 7.2 7.3 10.1 7.931 c.2 10.4 10. 2.964 9 Koefisien determinasi kita peroleh: 48 . H0 tidak ditolak dan Ha diterima e.2 10.d. 0. 0. 0. 0.866 c.566 c.6 11. Data pada tabel di bawah ini menunjukkan nilai X yang menyatakan panjang sayap. H0 diterima dan Ha tidak ditolak B. Koefisien korelasi r kita peroleh: a.876 e.444 b. Koefisien determinasi kita peroleh: a. 0.478 b. 0.6 7.3 dari data di atas kita hitung: 5.1 10.666 d. -0.666 d.896 c. 0.8 7. 0.738 e.950 b. 5.4 7. -0.922 C.750 e.394 6. -2.418 7. Dari data tersebut kita hitung: 8.5 10. 3. X Y 10.8 8.4 7.

929 c. Bagus! Tetapi bila tingkat penguasaan Anda masih di bawah 80%. 5.928 d. 3.922 Balikan dan Tindak Lanjut Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 3 yang terdapat di bagian akhir Modul ini.485 b. 0. Anda harus mengulangi Kegiatan Belajar 3. 0. 17.750 e.79% = cukup < 70% = kurang Bila Anda mencapai tingkat penguasan 80% atau lebih. 0.931 c.447 10.865 d.100% = baik sekali 80% .a. Anda dapat meneruskan dengan Kegiatan Belajar selanjutnya.991 b. -2.876 e. terutama bagian yang belum Anda kuasai. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠ 0 kita peroleh: a. 22. Rumus: Jumlah jawaban Anda yang benar Tingkat Penguasaan = × 100% 10 Arti tingkat penguasaan yang Anda dapat: 90% . 0. 49 . Hitunglah jawaban Anda yang benar. 0.89% = baik 70% . Kemudian gunakan rumus di bawah ini untuk mengetahui tingkat penguasaan Anda terhadap materi Kegiatan Belajar 3.

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

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

Sign up to vote on this title
UsefulNot useful