Nama: Muhammad Dzikri Rofa

NPM: 2255061022
Kelas: PSTI A

Tugas Ketujuh
Probabilitas dan Statistik

1. Tabel dibawah menampilkan tinggi badan X dan Y dari sampel terdiri dari 12 pasangan
ayah (X) dan anak laki-laki tertua (Y) (dalam cm). Cobalah a) buat diagram pencar, dan b)
cari persamaan regresi dari data tersebut.

X 165 163 167 164 168 162 170 166 168 167 169 171
Y 168 166 168 165 169 166 168 165 171 167 168 170

2. Berdasarkan tabel di atas, tentukan nilai koefisien korelasi dan koefisien determinasi,
berikan penjelasan terhadap hasil nilai koefisien tersebut.?

3. Jelaskan perbedaan penggunaan korelasi produk momen, korelasi rank order dan
chikuadrat.

4. Tabel dibawah ini menyajikan distribusi frekuensi nilai akhir 100 orang mahasiswa peserta
kuliah matematika ekonomi dan statistik. Berdasarkan data itu a) tentukan jumlah
mahasiswa yang mendapat nilai 70-79 untuk matematika ekonomi dan 80-89 untuk
statistik, b) tentukan korelasi kedua mata kuliah, serta c) tentukan koefisen korelasi kedua
nilai mata kuliah itu.

Jawaban:

1. Berikut adalah diagram pencar (scatter plot) menggunakan Python dan memanfaatkan
library matplotlib, dari tinggi ayah (X) dan tinggi anak laki-laki tertua (Y) berdasarkan
tabel soal nomor 1.
 Gambar 1 Kode Python Scatter Plot

Gambar 2 Diagram Pencar

Untuk mencari persamaan regresi dari data tersebut, dapat menggunakan Python dan
memanfaatkan library numpy dan scipy. Berikut adalah kode yang dapat digunakan:
 Gambar 3 Kode Python Persamaan Regresi

2. Untuk menentukan nilai koefisien korelasi dan koefisien determinasi dari data tersebut,
dapat menggunakan Python dan memanfaatkan library numpy dan scipy. Berikut adalah
kode yang dapat digunakan:

Gambar 3 Kode Python Nilai Koefisien Korelasi dan Koefisien Determinasi

Dalam kasus ini, hasil yang dihasilkan adalah:

Koefisien Korelasi: 0.703

Koefisien Determinasi: 0.494

Nilai koefisien korelasi (r) yang mendekati 1 menunjukkan hubungan yang positif dan kuat
antara tinggi ayah (X) dan tinggi anak laki-laki tertua (Y). Dalam hal ini, nilai 0.703
menunjukkan adanya hubungan yang cukup kuat antara kedua variabel. Ini berarti bahwa
tinggi ayah cenderung mempengaruhi tinggi anak laki-laki tertua.

Koefisien determinasi (R-squared) adalah ukuran yang menunjukkan seberapa baik

variabilitas dari tinggi anak laki-laki tertua (Y) dapat dijelaskan oleh variabilitas tinggi ayah
(X) dalam model regresi linier sederhana. Dalam kasus ini, nilai 0.494 menunjukkan bahwa
sekitar 49.4% variasi dalam tinggi anak laki-laki tertua dapat dijelaskan oleh variasi dalam
tinggi ayah. Sisa variabilitas yang tidak dijelaskan mungkin disebabkan oleh faktor-faktor
lain yang tidak termasuk dalam model ini, seperti faktor genetik lainnya atau faktor
lingkungan.

3. Perbedaan Penggunaan Korelasi Produk Momen, Korelasi Rank Order, dan Chi-Kuadrat:
• Korelasi Produk Momen (Pearson Correlation):
1. Korelasi produk momen (atau dikenal juga sebagai korelasi Pearson) digunakan
untuk mengukur hubungan linier antara dua variabel kontinu.
 2. Metode ini mengasumsikan bahwa hubungan antara variabel adalah linear dan
mengukur sejauh mana data mengikuti garis lurus.
3. Nilai korelasi Pearson berkisar antara -1 hingga 1. Nilai 1 menunjukkan hubungan
linier positif sempurna, -1 menunjukkan hubungan linier negatif sempurna, dan 0
menunjukkan tidak ada hubungan linier antara kedua variabel.
4. Korelasi Pearson lebih cocok digunakan ketika kedua variabel berdistribusi secara
normal dan memiliki hubungan linier.

• Korelasi Rank Order (Spearman Correlation):

1. Korelasi rank order (atau dikenal juga sebagai korelasi Spearman) digunakan untuk
mengukur hubungan monotonik antara dua variabel.
2. Metode ini tidak mengasumsikan bentuk hubungan tertentu, tetapi hanya melihat
apakah hubungan antara kedua variabel bersifat monotonik (baik positif maupun
negatif).
3. Korelasi Spearman memperhitungkan peringkat relatif dari data, bukan nilai
sebenarnya. Data diurutkan dari yang terkecil hingga yang terbesar untuk
menghitung koefisien korelasi.
4. Nilai korelasi Spearman berkisar antara -1 hingga 1. Nilai 1 menunjukkan
hubungan monotonik positif sempurna, -1 menunjukkan hubungan monotonik
negatif sempurna, dan 0 menunjukkan tidak ada hubungan monotonik antara kedua
variabel.
5. Korelasi Spearman lebih cocok digunakan ketika data tidak memenuhi asumsi
normalitas atau jika hubungan antara kedua variabel bersifat monotonik namun
bukan linier.

• Chi-Kuadrat (Chi-Square):
1. Chi-kuadrat digunakan untuk menguji hubungan antara dua variabel kategorikal
(non-parametrik) dalam bentuk tabel kontingensi.
2. Metode ini menguji apakah distribusi frekuensi pengamatan dalam tabel
kontingensi berbeda secara signifikan dari distribusi yang diharapkan jika tidak ada
hubungan antara variabel.
3. Nilai chi-kuadrat menunjukkan sejauh mana observasi yang diamati berbeda dari
harapan dan apakah perbedaan tersebut signifikan.
4. Chi-kuadrat lebih cocok digunakan ketika kedua variabel adalah variabel
kategorikal, seperti variabel biner (ya/tidak) atau variabel nominal.
5. Hasil uji chi-kuadrat menghasilkan nilai statistik chi-kuadrat dan p-value untuk
menentukan apakah terdapat hubungan yang signifikan antara kedua variabel
dalam tabel kontingensi.
4. Berdasarkan data pada tabel yang diberikan, dapat diketahui bahwa:
• Jumlah mahasiswa yang mendapat nilai 70-79 untuk matematika ekonomi dan 80-89
untuk statistik:
1. Untuk matematika ekonomi, jumlah mahasiswa yang mendapat nilai 70-79 adalah
8.
2. Untuk statistik, jumlah mahasiswa yang mendapat nilai 80-89 adalah 5.

• Korelasi kedua mata kuliah

Korelasi antara matematika ekonomi dan statistik dapat dihitung menggunakan koefisien
korelasi Pearson atau metode lainnya yang sesuai dengan jenis data yang diberikan.

• Koefisien korelasi kedua nilai mata kuliah:

Untuk menentukan koefisien korelasi antara matematika ekonomi dan statistik, diperlukan
data nilai akhir untuk kedua mata kuliah dari setiap mahasiswa. Namun, tabel yang
diberikan hanya menunjukkan distribusi frekuensi nilai akhir, bukan data nilai akhir
individu.