SMA · Kelas 11 · Analisis Data dan Peluang
Statistika Bivariat
Data bivariat adalah pasangan data dari dua variabel yang diamati pada objek yang sama, misalnya lama belajar dan nilai ujian. Diagram pencar memperlihatkan pola hubungannya, koefisien korelasi (antara dan ) mengukur kekuatan dan arah hubungan linear, dan garis regresi dipakai untuk memprediksi dari . Hubungan yang kuat belum tentu sebab-akibat, sehingga setiap laporan statistik perlu dibaca dengan kritis.
Daftar isi
Konsep Statistika Bivariat
Diagram pencar dan pola hubungan
Setiap pasangan data digambar sebagai satu titik pada bidang koordinat: variabel penjelas di sumbu mendatar dan variabel respons di sumbu tegak. Dari sebaran titik itu kita membaca:
- Arah: positif jika titik cenderung naik ke kanan (makin besar , makin besar ), negatif jika cenderung turun.
- Bentuk: linear (mendekati garis lurus) atau tidak linear (melengkung).
- Kekuatan: makin rapat titik di sekitar sebuah garis, makin kuat hubungannya.
- Pencilan: titik yang jauh dari pola umum. Pencilan perlu diperiksa, apakah salah catat atau memang kasus istimewa.
Contoh data berikut dipakai pada beberapa contoh soal di halaman ini.
| Lama belajar per minggu, (jam) | 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|---|
| Nilai ujian, | 50 | 40 | 60 | 80 | 70 |
Titik-titiknya cenderung naik ke kanan meskipun tidak tepat segaris, jadi terlihat hubungan linear positif.
Koefisien korelasi Pearson
Koefisien korelasi dihitung dari simpangan setiap data terhadap rata-ratanya. Dengan , , dan :
Bentuk lain yang memakai jumlah-jumlah langsung adalah .
Sifat-sifat :
- Nilainya selalu . Nilai atau berarti semua titik tepat pada satu garis.
- Tanda menunjukkan arah, besar menunjukkan kekuatan. Korelasi lebih kuat daripada .
- Sebagai panduan kasar, sering disebut sangat kuat, sekitar sampai sedang, dan di bawah sangat lemah. Batas ini berbeda-beda antarbuku.
- hanya mengukur hubungan linear. Nilai mendekati 0 tidak berarti tidak ada hubungan sama sekali; bisa saja polanya melengkung.
Kuadratnya, , disebut koefisien determinasi: persentase variasi yang dapat dijelaskan oleh garis regresi.
Regresi linear sederhana
Garis regresi adalah garis lurus yang paling dekat dengan semua titik, dalam arti jumlah kuadrat residu (selisih ) sekecil mungkin. Metode ini disebut metode kuadrat terkecil. Koefisiennya:
Akibatnya garis regresi selalu melalui titik rata-rata , dan tanda selalu sama dengan tanda .
Gradien ditafsirkan sebagai perubahan rata-rata untuk setiap kenaikan satu satuan . Pada data lama belajar, berarti setiap tambahan 1 jam belajar per minggu berkaitan dengan kenaikan nilai sekitar 8 poin. Konstanta hanya bermakna jika masuk akal dan dekat dengan data.
Mengevaluasi laporan statistik
Angka statistik di berita atau media sosial perlu diperiksa sebelum dipercaya. Pertanyaan yang berguna:
- Korelasi atau sebab-akibat? Penjualan es dan jumlah orang berenang sama-sama naik pada musim kemarau. Keduanya berkorelasi karena variabel perancu (cuaca panas), bukan karena es menyebabkan orang berenang.
- Seberapa besar dan bagaimana sampelnya? Lima responden atau sampel yang hanya diambil dari satu kelompok tidak mewakili populasi.
- Apakah ada ekstrapolasi? Prediksi di luar rentang data bisa menghasilkan angka mustahil, misalnya frekuensi negatif.
- Apakah ada pencilan? Satu titik ekstrem dapat mengubah dan garis regresi dengan drastis.
- Apakah grafiknya jujur? Sumbu tegak yang tidak dimulai dari nol dapat membuat perbedaan kecil terlihat besar.
Kalimat yang tepat untuk melaporkan hasil biasanya berbunyi "terdapat hubungan linear positif yang kuat", bukan " menyebabkan ".
Rumus
Contoh soal statistika bivariat dan pembahasan
Prediksi dengan garis regresi
Garis regresi hubungan lama belajar (jam per minggu) dan nilai ujian adalah . Prediksikan nilai siswa yang belajar 4,5 jam per minggu.
Lihat langkah penyelesaian
- Substitusikan : .
- .
- 4,5 jam masih di dalam rentang data (1 sampai 5 jam), jadi prediksi ini wajar.
Nilai yang diprediksi adalah 72.
Menghitung koefisien korelasi
Hitung koefisien korelasi untuk data lama belajar : 1, 2, 3, 4, 5 dan nilai ujian : 50, 40, 60, 80, 70.
Lihat langkah penyelesaian
- , , , , .
- .
- Pembilang: .
- Penyebut: .
- , hubungan linear positif yang kuat.
.
Menyusun persamaan regresi
Dari data lama belajar dan nilai ujian di atas, tentukan persamaan garis regresi .
Lihat langkah penyelesaian
- .
- dan .
- .
- Cek: garis melalui karena .
.
Korelasi negatif dengan metode simpangan
Data jarak rumah ke sekolah (km): 2, 4, 6, 8 dan banyak hari bersepeda ke sekolah dalam sebulan : 11, 13, 7, 9. Hitung koefisien korelasinya.
Lihat langkah penyelesaian
- dan . Simpangan : . Simpangan : .
- .
- dan .
- , hubungan linear negatif yang sedang sampai kuat.
.
Bahaya ekstrapolasi
Dari data jarak dan bersepeda di atas diperoleh garis regresi . Seseorang memakainya untuk memprediksi siswa yang rumahnya 30 km dari sekolah. Hitung prediksinya dan nilai apakah prediksi itu layak.
Lihat langkah penyelesaian
- .
- Banyak hari bersepeda tidak mungkin negatif, jadi hasil ini mustahil.
- Penyebabnya ekstrapolasi: 30 km jauh di luar rentang data (2 sampai 8 km). Pola linear hanya teruji di dalam rentang data.
Prediksinya hari, tidak layak karena merupakan ekstrapolasi jauh di luar rentang data.
Membaca residu
Pada data lama belajar dengan garis , siswa yang belajar 2 jam memperoleh nilai 40. Hitung residunya dan jelaskan artinya.
Lihat langkah penyelesaian
- Prediksi: .
- Residu: .
- Residu negatif berarti nilai sebenarnya 12 poin di bawah prediksi garis. Titik ini berada di bawah garis regresi.
Residunya .
Kesalahan yang sering terjadi
Coba sendiri
Tulis jawabanmu, tekan Periksa. Jika belum tepat, buka petunjuk satu per satu.
Pembahasan
hari. Hasil ini sama dengan karena adalah .
Pembahasan
. Gradien negatif menandakan hubungan negatif.
Pembahasan
. Koefisien determinasinya , jadi 81% variasi dijelaskan oleh garis regresi.
Kuis 5 soal
Kerjakan semua soal, lalu periksa sekaligus.
Pembahasan
. Residu positif berarti titik data berada di atas garis regresi.
Pembahasan
Cuaca panas menaikkan penjualan es sekaligus jumlah orang berenang. Suhu adalah variabel perancu, sehingga kesimpulan sebab-akibat A dan B tidak didukung data.
Pembahasan
A, B, dan D benar. C salah karena hubungan tidak linear bisa memberi . E salah karena korelasi tidak membuktikan sebab-akibat.
Pembahasan
Benar. Untuk , .
Pembahasan
, sehingga .
Latihan tanpa batas
Soal kembar dengan angka baru, petunjuk bertingkat, dan catatan penguasaanmu.
Tanya jawab
Apa bedanya korelasi dan regresi?
Korelasi mengukur seberapa kuat dan ke arah mana hubungan linear dua variabel. Regresi memberikan persamaan garis untuk memprediksi satu variabel dari variabel lain.
Apakah boleh menukar $x$ dan $y$ pada regresi?
Nilai tetap sama, tetapi garis regresi atas berbeda dengan garis atas . Tentukan dulu variabel mana yang ingin diprediksi; variabel itulah yang menjadi .
Apakah perlu kalkulator untuk menghitung $r$?
Untuk data kecil, susun tabel kolom , , , , dan agar perhitungan rapi. Untuk data besar, gunakan kalkulator statistik atau lembar kerja.
Topik terkait
Pelajari dulu (prasyarat)
- Statistika · Kelas 10
Topik lanjutan
- Belum ada.
Ringkasan untuk guru
Tujuan pembelajaran
- Peserta didik menyajikan data bivariat dalam diagram pencar dan mendeskripsikan arah, bentuk, serta kekuatan hubungannya.
- Peserta didik menghitung dan menafsirkan koefisien korelasi serta persamaan regresi linear sederhana.
- Peserta didik mengevaluasi laporan statistik, termasuk membedakan korelasi dan sebab-akibat serta mengenali ekstrapolasi.
Ide aktivitas kelas
- Data kelas sendiri: siswa mengukur tinggi badan dan panjang rentang tangan teman sekelas, membuat diagram pencar, lalu menghitung .
- Berburu klaim: kelompok mencari satu berita yang memuat klaim statistik dan menilainya dengan lima pertanyaan evaluasi.
- Garis kira-kira: siswa menarik garis dengan penggaris pada diagram pencar, lalu membandingkannya dengan garis regresi hasil perhitungan.
Acuan: Capaian Pembelajaran Matematika Fase F (Keputusan Kepala BSKAP No. 046/H/KR/2025), elemen Analisis Data dan Peluang; TKA SMA Matematika — elemen Data dan Peluang.