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

3. ialah : r = 1 − s 2 y.2) akan berlaku 0 ≤ r2 < 1 sehingga untuk koefisien korelasi didapat hubungan -1 < r < +1.5) (9.1) diatas bersifat umum. Khusus untuk r = 0. maka hendaknya ini ditafsirkan bahwa tidak terdapat hubungan linier antara variabel-variabel X dan Y. 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.kepada garis regresi.3. Harga r= -1 menyatakan adanya hubungan linier sempurna tak langsung antara X dan Y. 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. Koefisien korelasi r tentu saja didapat dengan jalan mengambil akar dari r2.x / s 2 y 38 . Untuk keperluan perhitungan koefisien r berdasarkan sekumpulan data (Xi. Ini berarti bahwa titiktitik yang ditentukan oleh (Xi.3.3. Mudah dilihat bahwa dari Rumus (9. harga 1 − r 2 dinamakan koefisien alienasi atau koefisien perenggangan. maka harga I makin dekat kepada nol. maka derajat hubungannya akan dinyatakan dengan r dan biasa dinamakan koefisien korelasi karena rumus (9. maka itu pun berlaku apabila pola hubungan antara Y dan X berbentuk regresi 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. Sebaliknya jika titik-titik itu makin jauh dari garis regresi. atau tepatnya terdapat garis regresi yang tuna cocok.1) dan Rumus (9. Harga 1 – r2 sendiri dapat dinamakan koefisien non determinasi. Secara umum berlaku 0 < I < 1. Dalam hal ini I akan diganti oleh r2 dan diperoleh : r2 = ˆ ∑(Yi − Y) 2 − ∑( Yi − Yi ) 2 ∑(Yi − Y) 2 (9.4) Bentuk lain dapat pula digunakan. sedangkan harga X yang kecil berpasangan dengan Y yang kecil pula.2 Korelasi Dalam Regresi Linier Apabila garis regresi yang terbaik untuk sekumpulan data berbentuk linier.3. Letak titik-titik ada pada garis regresi linier dengan sifat bahwa harga X yang besar berpasangan dengan harga Y yang besar.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.3. Harga r= + 1menyatakan adanya hubungan linier sempurna langsung antara X dan Y. maka harga I makin dekat kepada satu.3) r2 dinamakan koefisien determinasi atau koefisien penentu.

Besar hubungannya ditentukan oleh koefisien determinasi r2 = 0.001.094 ) − (1. jika koefisien arah regresi Y atas X dan b2 koefisien arah regresi X atas Y untuk data yang sama. Contoh 9.8758 { }{ } Dari hasil ini ternyata didapat korelasi positif antara banyak pengunjung X dan yang berbelanja Y.001) r= 30(41. berarti. r = b sx / sy (9. yaitu yang ditentukan oleh koefisien arah garis regresi Y atas X dan regresi X atas Y.105. Ini berarti bahwa meningkatnya atau menurunnya pembeli 76. ΣXiYi = 37.3.7670 atau sebesar 76. Masih ada rumus lain.029) − (1. Dari rumus (9. Bila data telah kita hitung sebagai berikut: ΣXi = 1.3. ΣX2i = 41.7%.1: Misalkanlah kita ingin mengetahui hubungan antara banyaknya pengunjung (X) dan banyaknya yang berbelanja (Y) di sebuah toko.3.3.2: Misalkanlah model regresi Y = 2 + X2.105)(1. yang jelas bahwa model regresi ini bukan regresi linier. dari rumus di atas dapat diturunkan rumus koefisien korelasi.029.094.599 dan n = 30.3. sedangkan sisanya ditentukan oleh keadaan lain.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. meningkatnya pengunjung yang datang meningkatkan pula banyaknya yang berbelanja.6) Dengan sedikit pengerjaan aljabar.7) dengan sx simpangan baku untuk variabel X dan sy simpangan baku untuk variabel Y. maka : r2 = r2 = b1b2 (9. ΣYi = 1. maka koefisien determinasi r2 dapat ditentukan oleh rumus: 2 r2 = b { n ∑ X i Y − (∑ X i )( ∑ Yi )} n ∑ Y 2 i − (∑ Yi ) 2 (9.3.599 ) − (1.105) 2 30(33.001) 2 r = 0.4) kita peroleh : 30(37.7% dapat dijelaskan oleh banyaknya pengunjung melalui hubungan linier X dan Y. Kita ambil harga-harga sebagai berikut : 39 . Jika persamaan regresi linier Y atas X telah ditentukan dan sudah didapat koefisien arah b. Contoh 9.8) Rumus itu menyatakan bahwa koefisien korelasi r adalah rata-rata ukur daripada koefisien-koefisien arah b1 dan b2. ΣY2i = 33.

marilah kita lihat berapa derajad hubungan yang ada antara X dan Y dalam bentuk kuadratik tersebut. r3. berbentuk parabola kuadratik. Contoh 9. bahwa koefisien korelasi r = 0 dihitung dengan Rumus (9. Dibedakan dua hal : Hal A). jika dibentuk statistik : r n-2 t= (9.3.Xi Yi -3 11 -2 6 -1 3 0 2 1 3 2 6 3 11 Dari sini mudah dihitung bahwa : ΣXi = 0.4).3.r2 40 . Yi dan harganya ˆ 2 diatas. . Untuk ini dimisalkan bahwa X dan Y berdistribusi gabungan normal bervariabel dua yang didalamnya antara lain berisikan parameter ρ (baca : rho) sebagai koefisien korelasinya. ini memperlihatkan. maka distribusi sampling koefisien korelasi akan simetrik dengan µr = 0. ΣX2y = 28. . 9. 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. misalnya bagaimana X dan Y berdistribusi.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.3. yakni Y = 2 + X2. ΣYi = 42. Rata-rata dari simpangan baku untuk distribusi sampling koefisien korelasi ini akan diberi simbul µr dan σr.3).2.3. . bukan berarti tidak terdapat hubungan antara X dan Y. Untuk ini kita gunakan Rumus (9. Yang benar adalah tidak terdapat hubungan linier antara X dan Y. 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. . Dengan demikian ∑ (Yi − Yi ) = 0. ΣXiYi = 0 dan n = 7. maka analisis korelasi bisa berjalan lebih jauh. Memang hubungan yang ada antara X dan Y. Dari kumpulan ini kita dapat membentuk distribusi sampling koefisien korelasi dan selanjutnya rata-rata dan simpangan bakunya dapat dihitung. . sehingga dari Rumus (9. Ini berarti bahwa terdapat hubungan sempurna antara X dan Y yang dinyatakan oleh parabola dengan persamaan Y = 2 + X2.3. r2.1) mudah dilihat bahwa r2 = 1.3. melainkan hubungan berbentuk lain (dalam hal ini kuadratik). Populasinya mempunyai ρ = 0 Jika semua sampel acak itu berasal dari populasi normal bervariabel dua dengan ρ = 0. Maka didapat kumpulan koefisien korelasi r1. antara lain menentukan interval taksiran dan menguji hipotesis.9) 1. Sekarang. Apabila sekarang untuk X dan Y terdapat pola tertentu. ΣX2i = 336. Kita lihat bahwa Y = 6.

Menaksir Koefisien Korelasi Sebagaimana halnya menaksir prameter-prameter lain (rata-rata µ. Jika 41 .3.13) 9. dengan menggunakan sebuah transformasi akan menyebabkan distribusi yang tidak simetrik itu mendekati distribusi normal. proporsi π) ada dua macam penaksiran.3. ialah taksiran titik dan taksiran interval.12) Rumus µz dapat pula ditulis dalam bentuk : 1 + ρ0  µz = (1.1513) log   1.r  (9.11) Dengan transformasi ini. distribusi normal yang terjadi (suatu bentuk pendekatan) mempunyai rata-rata dan simpangan baku : 1 + ρ0  µ z = 1 2 ln   1. Dalam hal ini. maka distribusi sampling koefisien korelasi tidak simetrik.r  (9. transformasi ini dapat juga ditulis sebagai : 1+ r   Z = (1.3. Taksiran titik ρ dengan mudah dapat ditentukan ialah koefisien korelasi r yang didapat dari sampel. Populasinya mempunyai ρ ≠ 0 Jika populasi dari mana sampel acak itu diambil mempunyai ρ = ρ0 ≠ 0. simpangan baku σ.4. yaitu logaritma dengan bilangan pokok e. Transformasi yang digunakan ialah transformasi Fisher : 1+ r   Z = ½ ln   1.maka akan diperoleh distribusi Student t dengan dk = (n – 2) Hal B). Dalam logaritma biasa. maka untuk koefisien korelasi ρ pun didapat hal yang sama.1513) log  1− ρ   0   (9.3.10) dengan In berarti logaritma asli.3.ρ   0   1 σ = n -3 (9.

3. Akhirnya batas-batas ρ dapat ditentukan dengan menggunakan batas-batas µz yang didapat dari Rumus (9.14).ρ  = 0.06137 yang menghasilkan ρ = 0.7066 = (1.3).0986 < µz < 1. untuk menentukan interval taksiran ρ dengan angka kepercayaan γ = 95% misalnya dengan Rumus (9.ρ     1+ ρ  log   1 .14) dengan z½ γ σz didapat dari daftar distribusi normal baku menggunakan peluang ½γ .0986 Z = (1.903    42 .ρ     1+ ρ  log   1 .3.12) dan Rumus XVI(15) didapat : 1.7066 didapat : 1+ ρ  0. maka r dihitung dengan Rumus (9.15) Contoh 9.7066 < µz < 1. Untuk kita disini hanya dibahas penaksiran koefisien korelasi apabila regresi antara X dan Y berbentu linier.hubungan antara X dan Y berbentuk regresi linier. baru batas-batas µz ditentukan.8   = 1.3: Sebuah sampel acak dengan ukuran n = 28 telah diambil dari sebuah populasi normal bervariabel dua.2947 yang menghasilkan ρ = 0.1513) log   1 − 0.1513) log  1− ρ 0      (9. r dihitung dengan rumus (9.4906 = (1.4906 dihasilkan : 1+ ρ  1.1513) log   1.0986 + 28 − 3 28 − 3 atau 0.4) atau yang sejenisnya.3.3.3.ρ  = 1.96 1.4906 substitusikan batas-batas ini ke dalam Rumus (9.3. maka interval taksiran µz dihitung oleh : Z – z½ γ σz < µz < Z + z½ γ σz (9. Dalam hal lain.13) dan 1 + ρ0 µz = (1.609    untuk µz = 1. tentukan taksiran koefisien korelasi ρ untuk populasi. yaitu Z.8  Dari rumus (9.80. Jika γ = koefisien kepercayaan yang diberikan.3. Dari sampel itu didapat r = 0.96 1. Untuk menentukan interval taksiran koefisien korelasi ρ. digunakan transformasi Fisher.11) kita peroleh :  1 + 0. Jawab : Titik taksiran dengan mudah dapat ditentukan ialah ρ = 0.3.1513) log   1. Untuk µz = 0. setelah Z didapat.80.3.

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. dari daftar distribusi t didapat.r2 (9.060 dan 2. jika ρ = 0. maka hipotesis kita terima jika –t(1.3. Dalam hal ini.9) yaitu : t = r n-2 1. Mudah dilihat bahwa t = 1. maka kita perlu melakukan uji independen.4: Untuk pengujian H0 : ρ = 0 melawan H1 : ρ ≠ 0 berdasarkan sebuah sampel acak berukuran n = 27 dengan r = 0.28) 27 − 2 t= = 1. maka dengan dk = 25.060. t0. maka dari Rumus (9. Tentu saja bentuk alternatif untuk menguji hipotesis H0 bisa H1 : ρ > 0 atau H1 : ρ < 0.28.05. jika sampel acak yang diambil dari populasi normal bervariabel dua itu berukuran n memiliki koefisien korelasi r.3.16) Selanjutnya untuk taraf nyata = α.458 2 1 − ( 0.5.3. Contoh 9. Daerah kritis pengujianm.3. maka ternyata bahwa X dan Y independen.½α) < t < t(1. maka dapat digunakan statistik t seperti dicantumkan dalam Rumus (9. Menguji Hipotesis Kembali pada populasi bervariabel dua dengan koefisien koperasi ρ. Mengingat dalam banyak penelitian sering ingin mengetahui apakah antara dua variabel terdapat hubungan yang independen atau tidak.609 < ρ < 0.28) Jika taraf nyata α = 0.16) didapat : ( 0.interval taksiran ρ dengan angka kepercayaan 95% adalah 0. Cobalah buat sendiri kesimpulannya! 43 . Jadi H0 diterima. dimana distribusi t yang digunakan mempunyai dk = (n-2). untuk uji dua pihak. Sehingga dalam hal populasi berdistribusi normal ρ = 0 mengakibatkan bahwa X dan Y independen dan sebaliknya.3.060.458 antara -2. Dalam hal pertama merupakan uji pihak kanan sedangkan yang kedua merupakan uji pihak kiri. Dalam hal lainnya H0 kita tolak. Dari modelnya.995 = 2. seperti biasa harus disesuaikan dengan alternatif yang diambil.½ α).903 9. Sifat ini tidak berlaku untuk populasi yang tidak berdistribusi normal. Untuk menguji H0 : ρ = 0 melawan H1 : ρ ≠ 0.

Seperti telah dijelaskan dalam Bagian 5.00 0. atau H1 : ρ > ρ0.3.8758  sedangkan dari Rumus (9.75 melawan H1 : ρ ≠ 0.3.1513) log   1 − 0.17) memberikan bilangan baku 1.75 (dari hipotesis H0) didapat :  1 + 0. Rumus (9.75  dan 1 σz = = 0.3. ditentukan oleh bentuk alternatif.1924 Jika diambil α = 0. telah dihitung koefisien antara banyak pengunjung dan yang berbelanja untuk sampel berukuran n = 30. atau Jika taraf ternyata pengujian diambil α.5: Dalam contoh 9. jika diduga bahwa populasinya mempunyai ρ = 0.3.75   = 0. Contoh 9. seperti biasa.9729 z= = 2. jika sampel acak diambil dari populasinormal bervariabel dua dengan koefisien korelasi ρ ≠ 0. dapatkah sampel tadi menguatkan dugaan tersebut ? Pertanyaan ini akan terjawab apabila kita melakukan pengujian terhadap hipotesis : H0 : ρ = 0.13) dengan ρ0 = 0. apakah dua pihak.96 < z < 1.1.µz σz (9.1924 30 − 3 Akhirnya.75.11) akan diperoleh distribusi normal dengan ratarata dan simpangan baku seperti tertera dalam Rumus (9.3.3573 − 0.12). maka dengan transformasi Fisher dalam Rumus (9.3.17) Angka z inilah yang akan digunakan untuk menguji hipotesis : H0 : ρ = ρ0 ≠ 0 melawan salah satu alternatif : H1 : ρ ≠ ρ0.3.11) kita dapat menghitung :  1 + 0.3. maka daerah penerimaan H0 adalah -1. pihak kanan atau pihak kiri.8758   = 1.05.75 Dengan Rumus (9. s elanjutnya perlu digunakan angka z : z= Z .3. di situ telah didapat r = 0. Untuk dapat menggunakan daftar distribusi normal baku.1513) log   1 − 0. maka daerah kritis.Sekarang marilah kita tinjau bagaimana menguji hipotesis ρ yang tidak nol dapat dilakukan.9729 µz = (1. 44 .8758.3573 Z = (1.12) dan Rumus (9.96. atau H1 : ρ < ρ0.

1513) log   1 − ρ  > 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).3573 .1924 1 + ρ0  atau (1.9802  0   1 + ρ0 atau > 7. maka untuk menguji hipotesis : Ho : ρ = ρ0 melawan H1 : ρ ≠ ρ0 dimana ρ0 bilangan yang akan dicari. harus berlaku : 1.6: Berasal dari populasi dengan ρ berapa sampel di muka telah diambil? Jawab : Jika diambil α = 0.96 < < 1.1924 Kita selesaikan hal pertama (ketidaksamaan sebelah kiri) : 1. supaya hipotesis bisa diterima.3573 − µ z < 1.7530 dan 0.1.96 < < 1. 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 .1 sehingga ρ0 > 0.9395  0   Hal kedua adalah (ketidaksamaan sebelah kanan) : 1.1 sehingga ρ0 < 0.3573 .3.µ z .7530 1 − ρ0 Sampel berukuran n = 30 tadi berasal dari sebuah populasi dengan ρ yang besarnya antara 0.1513) log   1 − ρ  < 1.1.96 0.96 0.µ z .1924 1 + ρ0  atau (1.96 0.Ternyata bahwa pengujian memberikan hasil yang berarti.9395. Latihan 3 1.75.05. Sampel itu tidak berasal dari populasi dengan ρ = 0.7344  0   1 + ρ0  atau   1 − ρ  < 32. Contoh 9.

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

X Y 93 96 108 86 92 80 96 117 95 92 96 108 92 7.825 e. Oleh sebab itu. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠ 0 kita peroleh: a.956 2.914 b. 0. Pada tabel di bawah ini.3 5. 0.7 5.0 8.4 6. dengan cara menemukan satu pilihan jawaban yang paling tepat! A.268 b. Koefisien korelasi r. 2.4 7.956 c. -0.645 3. 9. kita peroleh: a. H0 diterima dan Ha ditolak c.3 6.8 dari data tersebut di atas kita hitung: 1. 16. 0.5 7. 1.922 e. -1.378 e. 0. 0. 0. H0 tidak ditolak dan Ha ditolak 47 . H0 ditolak dan Ha diterima b.928 d.143 d.µZ = 1 1+ ρ  1 2 ln  1 − ρ  dan σ Z = n − 3  2   Tes Formatif 3 Kerjakanlah semua soal di bawah ini.9 8. maka: a.922 4.6 7. 0. data menunjukkan harga X yang menyatakan tingkat kenyamanan guru dalam lingkungannya bekerja.325 b. dan Y yang menyatakan kinerja guru dalam memberikan pembelajaran terhadap siswanya. 19.1 7.8 7.931 c. 0.9 6.898 d. Koefisien determinasi kita peroleh: a.396 c.

-2. -0. 0.931 c.7 10.738 e.444 b. 3.418 7.928 d.950 b.d.2 10. 0. 0.2 10. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠ 0 kita peroleh: a. H0 tidak ditolak dan Ha diterima e. Dari data tersebut kita hitung: 8.2 7.1 7.896 c.3 dari data di atas kita hitung: 5. 0.478 b.566 c. -0. dan Y yang menyatakan panjang ekor beberapa burung jenis tertentu (dalam cm) hasil penelitian siswa dalam pelajaran Biologi. H0 diterima dan Ha tidak ditolak B. -0.4 7.8 11.8 8. 0.2 7.5 10.545 d. 5.964 9 Koefisien determinasi kita peroleh: 48 .4 10.4 7. X Y 10.394 6.866 c. 0. Data pada tabel di bawah ini menunjukkan nilai X yang menyatakan panjang sayap.9 7.738 e. Koefisien korelasi r kita peroleh: a.8 7.666 d. 0.946 b. 0.750 e.4 7. 0.8 11.876 e. Koefisien determinasi kita peroleh: a.4 7. 0.7 7.666 d.922 C.3 10. Gunakan data pada soal B dalam Tes Formatif 1 Kegiatan Belajar 1. Koefisien korelasi r kita peroleh: a.1 10.2 10. 0. 2. 0.6 11. 9.6 7.

991 b. 0. Statistik penguji Z untuk uji H0: ρ=0 lawan Ha: ρ≠ 0 kita peroleh: a. 0. 17. 49 . 0.750 e. terutama bagian yang belum Anda kuasai.876 e.89% = baik 70% .929 c.485 b.928 d.931 c. Bagus! Tetapi bila tingkat penguasaan Anda masih di bawah 80%. 0. Anda dapat meneruskan dengan Kegiatan Belajar selanjutnya. Hitunglah jawaban Anda yang benar.865 d.922 Balikan dan Tindak Lanjut Cocokkanlah jawaban Anda dengan Kunci Jawaban Tes Formatif 3 yang terdapat di bagian akhir Modul ini. 5.447 10. 22. Kemudian gunakan rumus di bawah ini untuk mengetahui tingkat penguasaan Anda terhadap materi Kegiatan Belajar 3. -2.100% = baik sekali 80% .a.79% = cukup < 70% = kurang Bila Anda mencapai tingkat penguasan 80% atau lebih. Anda harus mengulangi Kegiatan Belajar 3. Rumus: Jumlah jawaban Anda yang benar Tingkat Penguasaan = × 100% 10 Arti tingkat penguasaan yang Anda dapat: 90% . 3. 0.

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

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

Sign up to vote on this title
UsefulNot useful