Modul Ajar & RPP Matematika Kelas XI
Statistika (Diagram Pencak, Regresi Linear, Analisis Korelasi)

Tujuan: Peserta didik dapat menganalisis data hasil tangkapan ikan dan suhu air laut untuk menemukan hubungannya.

Alat & bahan: Kertas milimeter blok, pensil, penggaris, kalkulator/komputer dengan spreadsheet, data hasil tangkapan ikan dan suhu air laut.

Langkah kerja:

1. Amati diagram batang berikut, lalu tuliskan banyak siswa untuk setiap buah pada tabel.

2. Perhatikan data hasil tangkapan ikan (dalam kg) dan suhu air laut (dalam °C) selama 10 minggu di daerah pesisir seperti pada tabel berikut.
3. Buatlah diagram pencar dari data tersebut. Letakkan suhu air laut pada sumbu X dan hasil tangkapan ikan pada sumbu Y.
4. Diskusikan pola pencar. Apakah ada kecenderungan hubungan positif, negatif, atau tidak ada hubungan?
5. Gunakan perangkat lunak spreadsheet untuk menentukan persamaan regresi linear dan koefisien korelasi dari data tersebut.
6. Interpretasikan persamaan regresi dan koefisien korelasi yang Anda dapatkan. Jelaskan makna angka-angka tersebut dalam konteks data hasil tangkapan ikan dan suhu air laut.

🔒 Tabel kerja dan lembar refleksi murid tidak ditampilkan di pratinjau — keduanya ada di berkas unduhan.

Asesmen awal (diagnostik):

1. Apa yang dimaksud dengan data bivariat?
2. Berikan contoh dua variabel yang menurut Anda memiliki hubungan di lingkungan sekitar Anda.
3. Bagaimana cara termudah untuk melihat pola hubungan antara dua variabel?
4. Apa yang Anda ketahui tentang 'garis tren' pada grafik?

Formatif (proses): Observasi partisipasi aktif peserta didik dalam diskusi kelompok, ketepatan dalam membuat diagram pencar, dan kemampuan menggunakan perangkat lunak statistik.

Sumatif (akhir): Tes tertulis yang mencakup soal-soal tentang pembuatan diagram pencar, perhitungan dan interpretasi regresi linear, serta koefisien korelasi.

🔒 Rubrik KKTP dan kunci jawaban tidak ditampilkan di pratinjau — rubrik ada di berkas unduhan, kunci jawaban khusus member Paket Lengkap.

Statistika adalah cabang matematika yang sangat relevan dalam kehidupan sehari-hari, membantu kita memahami pola, membuat prediksi, dan mengambil keputusan berdasarkan data. Dalam modul ini, kita akan menjelajahi bagaimana data bivariat, yaitu data yang melibatkan dua variabel, dapat dianalisis menggunakan diagram pencar, regresi linear, dan analisis korelasi untuk mengungkap hubungan antar fenomena.

1. Pengenalan Data Bivariat dan Diagram Pencar
Data bivariat adalah kumpulan data yang terdiri dari dua variabel yang diukur pada unit observasi yang sama. Contohnya adalah tinggi badan dan berat badan seseorang, atau jumlah jam belajar dan nilai ujian. Untuk memvisualisasikan hubungan antara dua variabel kuantitatif, kita menggunakan diagram pencar (scatterplot). Diagram ini menampilkan titik-titik pada sistem koordinat Kartesius, di mana setiap titik merepresentasikan pasangan nilai dari kedua variabel. Pola sebaran titik pada diagram pencar dapat menunjukkan arah (positif, negatif, atau tidak ada) dan kekuatan (kuat, sedang, lemah) hubungan antar variabel.

2. Regresi Linear Sederhana
Regresi linear sederhana adalah metode statistik yang digunakan untuk memodelkan hubungan linear antara dua variabel, yaitu satu variabel independen (prediktor) dan satu variabel dependen (respons). Tujuannya adalah untuk menemukan persamaan garis lurus yang paling 'pas' (best-fit line) yang dapat memprediksi nilai variabel dependen berdasarkan nilai variabel independen. Persamaan umum regresi linear adalah Y = a + bX, di mana Y adalah variabel dependen, X adalah variabel independen, 'a' adalah intersep (nilai Y ketika X=0), dan 'b' adalah koefisien regresi atau slope (perubahan Y untuk setiap satu unit perubahan X).

3. Menghitung Persamaan Regresi
Untuk menemukan nilai 'a' dan 'b' dalam persamaan regresi linear, kita dapat menggunakan metode kuadrat terkecil (least squares method). Metode ini meminimalkan jumlah kuadrat selisih antara nilai Y aktual dan nilai Y yang diprediksi oleh garis regresi. Perhitungan ini melibatkan rumus-rumus statistik yang dapat disederhanakan dengan bantuan kalkulator ilmiah atau perangkat lunak spreadsheet seperti Microsoft Excel atau Google Sheets yang memiliki fungsi built-in untuk analisis regresi. Setelah nilai 'a' dan 'b' ditemukan, persamaan regresi dapat digunakan untuk membuat prediksi.

4. Interpretasi Koefisien Regresi
Koefisien regresi 'b' menunjukkan seberapa besar perubahan variabel dependen (Y) jika variabel independen (X) berubah satu unit. Jika 'b' positif, hubungan bersifat positif (X naik, Y naik). Jika 'b' negatif, hubungan bersifat negatif (X naik, Y turun). Intersep 'a' menunjukkan nilai variabel dependen (Y) ketika variabel independen (X) bernilai nol. Penting untuk diingat bahwa interpretasi 'a' hanya bermakna jika X=0 adalah nilai yang realistis dan relevan dalam konteks data. Interpretasi yang akurat sangat penting untuk menarik kesimpulan yang valid.

5. Konsep Korelasi
Korelasi adalah ukuran statistik yang menggambarkan kekuatan dan arah hubungan linear antara dua variabel kuantitatif. Berbeda dengan regresi yang bertujuan memprediksi, korelasi hanya mengukur asosiasi. Koefisien korelasi Pearson (r) adalah yang paling umum digunakan, dengan nilai berkisar antara -1 hingga +1. Nilai +1 menunjukkan korelasi positif sempurna, -1 menunjukkan korelasi negatif sempurna, dan 0 menunjukkan tidak ada hubungan linear. Semakin dekat nilai 'r' ke +1 atau -1, semakin kuat hubungan linear antar variabel.

6. Menghitung dan Menginterpretasi Koefisien Korelasi
Koefisien korelasi Pearson dapat dihitung menggunakan rumus yang melibatkan jumlah produk deviasi dari rata-rata kedua variabel. Seperti regresi, perhitungan ini juga dapat dipermudah dengan perangkat lunak. Interpretasi nilai 'r' sangat penting: r > 0 menunjukkan korelasi positif (misalnya, semakin tinggi suhu, semakin tinggi hasil tangkapan ikan); r < 0 menunjukkan korelasi negatif (misalnya, semakin banyak jam belajar, semakin sedikit waktu bermain); dan r ≈ 0 menunjukkan tidak ada korelasi linear yang signifikan. Namun, korelasi tidak menyiratkan kausalitas; hubungan yang kuat tidak selalu berarti satu variabel menyebabkan yang lain.

7. Batasan dan Peringatan dalam Analisis
Meskipun regresi dan korelasi adalah alat yang kuat, ada beberapa batasan. Pertama, mereka hanya mengukur hubungan linear; jika hubungan non-linear, hasilnya bisa menyesatkan. Kedua, outlier (data ekstrem) dapat sangat memengaruhi hasil. Ketiga, 'korelasi tidak sama dengan kausalitas' adalah prinsip fundamental; hanya karena dua variabel berkorelasi tidak berarti satu menyebabkan yang lain. Mungkin ada variabel ketiga yang tidak terukur (confounding variable) yang mempengaruhi keduanya. Oleh karena itu, interpretasi harus selalu dilakukan dengan hati-hati dan mempertimbangkan konteks data.

Rangkuman: Statistika adalah alat penting untuk memahami hubungan antar data. Diagram pencar memvisualisasikan hubungan antara dua variabel kuantitatif. Regresi linear membantu kita memodelkan hubungan linear dan membuat prediksi, sementara koefisien korelasi mengukur kekuatan dan arah hubungan tersebut. Memahami konsep-konsep ini memungkinkan kita untuk menganalisis data secara kritis dan menarik kesimpulan yang bermakna dalam berbagai konteks kehidupan, termasuk di daerah pesisir.

🔒 Daftar pustaka tidak ditampilkan di pratinjau — ada di berkas unduhan.

Modul ajar "Statistika (Diagram Pencak, Regresi Linear, Analisis Korelasi)" mata pelajaran Matematika Kelas XI ini disusun sesuai ketentuan Kurikulum Merdeka · Pembelajaran Mendalam dan dinyatakan dapat digunakan dalam pembelajaran Tahun Pelajaran 2026/2027.

Rujukan: Permendikdasmen No. 13 Tahun 2025 (Pembelajaran Mendalam) · Permendikdasmen No. 1 Tahun 2026 (Standar Proses) · CP: Kepka BSKAP No. 046/H/KR/2025