Statistika #22

STATISTIKA · PAKET 22

Proyek Statistika dengan Data Contoh

Dalam paket ini, kita mengikuti sebuah penelitian sederhana dari awal sampai akhir. Kita menggunakan data contoh tentang waktu belajar dan nilai ulangan, membuat tabel dan diagram pencar, menghitung korelasi serta regresi, lalu belajar menulis kesimpulan dengan hati-hati.

1. Tujuan pembelajaran

• Merumuskan pertanyaan penelitian dan mengenali variabel.
• Membaca data berpasangan dan membuat diagram pencar.
• Menghitung korelasi Pearson dan garis regresi linear sederhana.
• Membedakan hubungan statistik dengan sebab-akibat.
• Menyusun kesimpulan berdasarkan data, bukan sekadar dugaan.

Catatan penting: Semua data pada proyek ini adalah data simulasi untuk pembelajaran, bukan data siswa sungguhan.

2. Pertanyaan dan rancangan penelitian

Judul: Hubungan Waktu Belajar dengan Nilai Ulangan Matematika

Pertanyaan penelitian: Apakah siswa yang melaporkan waktu belajar lebih lama cenderung memperoleh nilai ulangan matematika lebih tinggi pada data contoh ini?

Variabel X

Waktu belajar per hari (jam)

Variabel Y

Nilai ulangan matematika (skala 0–100)

Unit pengamatan

Satu siswa pada data simulasi

Jenis analisis

Deskriptif, korelasi, dan regresi linear sederhana

Dalam penelitian nyata, waktu belajar dan nilai harus dikumpulkan dengan prosedur yang jelas. Banyak faktor lain—misalnya pemahaman awal, kualitas belajar, kondisi kesehatan, dan dukungan belajar—juga dapat berkaitan dengan nilai.

3. Dataset contoh

Data berikut berisi 10 pengamatan simulasi. Ubah angka pada tabel untuk mengeksplorasi bagaimana hasil analisis berubah.

No.	Waktu belajar X (jam/hari)	Nilai Y

Jika tombol ditekan, hasil analisis dan diagram akan dihitung ulang. Hasil juga diperbarui otomatis saat angka pada tabel diubah.

Gunakan koma atau titik untuk desimal, misalnya 1,5 atau 1.5. Nilai harus berada pada skala 0–100.

4. Ringkasan data dan diagram pencar

Jumlah pengamatan (n)

—

Rata-rata waktu belajar

—

Rata-rata nilai

—

Korelasi Pearson (r)

—

Diagram dibuat dari elemen HTML biasa agar tidak bergantung pada SVG atau Canvas yang mungkin diproses ulang oleh Blogger. Garis biru pada diagram adalah garis regresi linear. Diagram menunjukkan pola hubungan, bukan bukti bahwa satu variabel pasti menyebabkan perubahan variabel lainnya.

Tekan “Analisis data” untuk menghitung hasil.

5. Regresi linear sederhana

Model regresi ditulis sebagai:

ŷ = a + bX

b adalah kemiringan garis regresi, sedangkan a adalah intersep. Nilai ŷ merupakan nilai prediksi model.

Intersep (a)

—

Kemiringan (b)

—

Koefisien determinasi (R²)

—

Masukkan waktu belajar (jam/hari)

Prediksi nilai menurut model

Gunakan prediksi hanya dalam rentang waktu belajar yang masuk akal dan dekat dengan data. Regresi tidak menjamin nilai seorang siswa tertentu.

6. Contoh interpretasi hasil

Misalkan hasil analisis menunjukkan korelasi positif. Kita boleh mengatakan bahwa pada data simulasi, waktu belajar yang lebih lama cenderung berpasangan dengan nilai yang lebih tinggi.

Namun, kita tidak boleh langsung menyimpulkan bahwa menambah waktu belajar pasti menyebabkan nilai meningkat. Korelasi tidak membuktikan sebab-akibat, dan data simulasi ini tidak mewakili semua siswa.

Contoh kerangka kesimpulan

1. Data yang dianalisis terdiri dari ... pengamatan.
2. Rata-rata waktu belajar adalah ... jam per hari dan rata-rata nilai adalah ...
3. Nilai korelasi Pearson sebesar ... menunjukkan hubungan ... pada data ini.
4. Model regresi yang diperoleh adalah ...
5. Keterbatasan penelitian ini adalah ...

7. Checklist penyelesaian proyek

Centang langkah yang sudah dilakukan. Persentase kemajuan akan berubah otomatis.

Saya memahami pertanyaan penelitian. Saya mengenali variabel X dan Y. Saya memeriksa data dan satuannya. Saya membaca diagram pencar. Saya memahami arti korelasi. Saya membaca model regresi dan prediksinya. Saya menulis kesimpulan beserta keterbatasannya.

Kemajuan: 0 dari 7 langkah (0%)

8. Latihan pemahaman

1. Apa variabel X dan variabel Y pada penelitian ini?
2. Jika korelasi Pearson mendekati 1, apa yang dapat dikatakan tentang pola hubungan linear?
3. Apakah korelasi positif membuktikan bahwa waktu belajar menyebabkan nilai meningkat? Jelaskan.
4. Mengapa prediksi regresi di luar rentang data perlu digunakan dengan hati-hati?

1. X adalah waktu belajar per hari dalam jam; Y adalah nilai ulangan matematika.
2. Nilai r mendekati 1 menunjukkan hubungan linear positif yang kuat pada data yang dianalisis.
3. Tidak. Korelasi tidak membuktikan sebab-akibat. Ada faktor lain yang mungkin berperan.
4. Karena prediksi di luar rentang data merupakan ekstrapolasi dan pola hubungan belum tentu berlanjut.

9. Kuis singkat

1. Variabel yang digunakan untuk memprediksi nilai pada model ini adalah ...

Nilai ulangan (Y) Waktu belajar (X) Nomor pengamatan

2. Korelasi Pearson terutama mengukur ...

Hubungan linear dua variabel numerik Perbedaan dua median saja Banyaknya kategori

3. R² = 0,64 pada regresi sederhana dengan intersep berarti ...

64% siswa pasti mendapat nilai tinggi 64% perubahan nilai disebabkan waktu belajar 64% variasi nilai pada data dijelaskan oleh model linear

4. Kesimpulan yang paling tepat adalah ...

Korelasi selalu membuktikan sebab-akibat Kesimpulan harus sesuai data dan mempertimbangkan keterbatasan Data simulasi mewakili semua siswa

Pilih jawaban lalu tekan “Periksa jawaban”.

10. Tugas proyek mandiri

Pilih topik yang aman dan relevan, misalnya hubungan durasi membaca dengan jumlah halaman yang selesai dibaca, atau hubungan waktu latihan soal dengan jumlah soal benar. Kumpulkan data dengan izin yang sesuai dan tanpa menyebarkan informasi pribadi.

Judul proyekmu Pertanyaan penelitian Variabel dan cara mengukur Keterbatasan atau hal yang perlu diperhatikan

Ringkasan rancangan proyek akan muncul di sini.

Simpan hasilnya dengan menyalin teks sebelum meninggalkan halaman.

Paket 22 · Materi belajar mandiri. Guru dapat menyesuaikan dataset, konteks, dan kedalaman analisis dengan tingkat kelas.