Jelajahi eBook
Kategori
Jelajahi Buku audio
Kategori
Jelajahi Majalah
Kategori
Jelajahi Dokumen
Kategori
AnggotaKelompok :
Irene Muflikh Nadhiroh (G151120211)
Rena Foris Windari (G152120111)
Vinna Rahmayanti S.N. (G152120161)
Erica Fera Juwita (G152120221)
DEPARTEMEN STATISTIKA
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
2013
BAB I
PENDAHULUAN
Latar Belakang
Tujuan
1
BAB II
TINJAUAN PUSTAKA
Analisis kovarians atau sering disebut dengan ANCOVA adalah teknik statistik yang
merupakan perpaduan antara analisis regresi dengan analisis varians atau ANOVA (Rencher,
1998 : 178). ANCOVA dilakukan berdasarkan pertimbangan bahwa dalam kenyataanya
variabel tertentu yang tidak dapat dikendalikan, tetapi sangat mempengaruhi variabel respons
yang diamati. Variabel yang demikian disebut variabel konkomitan. Dengan kata lain,
ANCOVA berfungsi untuk memurnikan pengaruh variabel respons dari pengaruh variabel
konkomitan.
Variabel independen dalam ANCOVA sering disebut dengan faktor. ANCOVA dapat
diterapkan pada percobaan satu faktor, dua factor maupun banyak faktor. Untuk percobaan
yang terdiri dari satu faktor disebut ANCOVA satu arah. Sedangkan percobaan yang terdiri
dari dua factor disebut ANCOVA dua arah. Berikut adalah tabel pengamatan ANCOVA dua
arah dalam rancangan acak lengkap (RAL).
Tabel diatas menjelaskan percobaan yang terdiri dari dua factor yaitu faktor 1 dengan
level z dan faktor 2 dengan level b, dengan subjek sebanyak n dan satu variabel konkomitan.
Menurut Rencher (1998 : 183), model linear ANCOVA dua arah adalah :
dimana :
𝑌𝑙𝑘𝑟 : nilai pengamatan pada satuan pengamatan ke-r yang memperoleh taraf ke- l dari
factor 1 dan taraf ke-k dari faktor 2
𝜇 : rata-rata keseluruhan
𝛼𝑙 : taraf ke- l pengaruh faktor 1
𝛾𝑘 : taraf ke- k pengaruh faktor 2
2
𝛼𝛾 𝑙𝑘 : pengaruh interaksi taraf ke- l faktor 1 dan taraf ke- k faktor 2
𝜀𝑙𝑘𝑟 : galat yang muncul dari satuan percobaan ke-r yang memperoleh kombinasi perlakuan
lk (taraf ke- l dari faktor 1 dan taraf ke- k dari faktor 2)
𝑋𝑙𝑘𝑟 : nilai pengamatan ke-lkr pada variabel konkomitan
𝛽 : koefisien regresi antara 𝑌𝑙𝑘𝑟 dengan 𝑋𝑙𝑘𝑟
𝑔 𝑏 𝑔
Pada model tersebut asumsi yang harus dipenuhi adalah 𝑙=1 𝛼𝑙 = 𝑘=1 𝛾𝑘 = 𝑙=1 𝛼𝛾 𝑙𝑘 =
𝑏 2
𝑘=1 𝛼𝛾 𝑙𝑘 = 0 dan 𝜀𝑙𝑘𝑟 ~ 𝐼𝑁 0, 𝜎 .
Untuk analisis data ANCOVA dua arah diperlukan jumlah-jumlah kuadrat dan jumlah hasil
kali sebagai berikut :
a. Jumlah kuadrat total (JKT) dan jumlah hasil kali total (JHKT) untuk variabel X dan Y
b. Jumlah kuadrat perlakuan (JKP) dan jumlah hasil kali perlakuan (JHKP) untuk variabel X
dan Y
c. Jumlah kuadrat faktor 1 (JKA) dan jumlah hasil kali untuk faktor 1(JHKA)
3
d. Jumlah kuadrat faktor 2 (JKB) dan jumlah hasil kali untuk faktor 2 (JHKB)
e. Jumlah kuadrat interaksi faktor 1 dan 2 (JKAB) dan jumlah hasil kali untuk interaksi
faktor 1 dan faktor 2 (JKAB)
f. Jumlah kuadrat galat (JKG) dan jumlah hasil kali galat (JHKG) untuk variabel X dan Y
4
1) Penduga parameter μ
𝑔 𝑏 𝑔 𝑏
diketahui bahwa 𝑙=1 𝛼𝑙 = 𝑘=1 𝛾𝑘 = 𝑙=1 𝛼𝛾 𝑙𝑘 = 𝑘=1 𝛼𝛾 𝑙𝑘 =0 maka
persamaan di atas menjadi :
Jadi, diperoleh 𝜇 = 𝑌 …
2) Penduga parameter 𝛼𝑙
5
3) Penduga parameter 𝛾𝑘
4) Penduga parameter 𝛼𝛾 𝑙𝑘
5) Penduga parameter β
6
Kemudian setelah disubtitusikan ke persamaan pendugaan sebelumnya, maka
diperoleh hasil sebagai berikut :
di mana
sehingga diperoleh :
Jumlah kuadrat galat terkoreksi merupakan selisih kuadrat antara amatan dengan persamaan
regresi.
Jumlah kuadrat galat terkoreksi adalah :
7
Untuk mendapatkan uji hipotesis tentang pengaruh faktor 1, 2, dan interaksinya, perlu
diperoleh jumlah kuadrat terkoreksi untuk faktor-faktor tertentu. “Total” dari masing-masing
bentuk ( A, B, dan AB) diperoleh dengan menambahkan galat ke bentuk jumlah kuadrat dan
jumlah hasil kali (A+E, B+E, AB+E).
8
Jumlah kuadrat faktor 1 terkoreksi adalah :
Kuadrat tengah terkoreksi dapat diperoleh dengan membagi jumlah kuadrat terkoreksi
dengan derajat bebasnya.
9
Prosedur ANCOVA dua arah
2 2
Nilai 𝜒ℎ𝑖𝑡𝑢𝑛𝑔 ini kemudian dibandingkan dengan nilai 𝜒𝛼(𝑘−1) . Jika nilai
2 2
𝜒ℎ𝑖𝑡𝑢𝑛𝑔 < 𝜒𝛼(𝑘−1) maka dapat disimpulkan bahwa sampel berasal dari populasi yang
mempunyai variansi homogen.
10
H0 : koefisien regresi homogen antar perlakuan
H1 : koefisien regresi tidak homogen antar perlakuan
dengan statistik uji :
11
dengan statistik uji :
(tidak ada pengaruh interaksi faktor 1 dan faktor 2 terhadap respons yang diamati)
(ada pengaruh interaksi faktor 1 dan faktor 2 terhadap respons yang diamati)
2) Pengaruh faktor 1
Tabel 2.3 Data Pengamatan Mancova Dua Arah dengan Satu Kovariat
13
dengan :
l = 1,2,…,g ( l adalah taraf dari faktor 1 sebanyak g)
k = 1,2,…,b ( k adalah taraf dari faktor 2 sebanyak b)
r = 1,2,…,n ( r adalah ulangan dalam percobaan sebanyak n)
i = 1,2, ... ,p (i adalah respons yang diamati sebanyak p)
Tabel di atas merupakan data pengamatan MANCOVA dua arah dengan interaksi
yang terdiri dari taraf ke-l dari pengaruh faktor 1 dan taraf ke-k dari pengaruh faktor 2 dengan
ulangan ke-n, dan respons yang diamati sebanyak p dengan tambahan satu kovariat.
Menurut Rencher (1998 : 188) model linear MANCOVA dua arah dengan interaksi
adalah sebagai berikut:
𝑔 𝑔
Pada model tersebut asumsi yang harus dipenuhi adalah 𝑙=1 𝛼𝑙 = 𝑏𝑘=1 𝛾𝑘 = 𝑙=1 𝛼𝛾 𝑙𝑘 =
𝑏 2
𝑘=1 𝛼𝛾 𝑙𝑘 = 0 dan 𝜀𝑙𝑘𝑟 ~ 𝐼𝑁 0, 𝜎 .
Dalam model di atas terdapat model regresi multivariat yang terdiri dari satu kovariat yaitu :
di mana :
l = 1,2,…,g
k = 1,2,…,b
r = 1,2,…,n
i = 1,2, ... ,p
𝑌𝑙𝑘𝑟 : vektor respons atau nilai pengamatan pada satuan percobaan ke-r yang memperoleh
taraf ke- l dari faktor 1 dan taraf ke-k dari faktor 2
𝜇 : vektor rata-rata keseluruhan
𝛼𝑙 : vektor taraf ke- l pengaruh faktor 1
𝛾𝑘 : vektor taraf ke- k pengaruh faktor 2
𝛼𝛾 𝑙𝑘 : vektor pengaruh interaksi taraf ke- l faktor 1 dan taraf ke- k faktor 2
𝜀𝑙𝑘𝑟 : vektor galat yang muncul dari satuan percobaan ke-r yang memperoleh kombinasi
perlakuan lk (taraf ke- l dari faktor 1 dan taraf ke- k dari faktor 2)
𝑋𝑙𝑘𝑟 : vektor nilai pengamatan ke-lkr pada variabel konkomitan
𝛽 : matriks koefisien regresi yang menunjukkan ketergantungan antara 𝑌𝑙𝑘𝑟 pada 𝑋𝑙𝑘𝑟
dimana
14
Sebelum memulai pengujian, perlu menghitung matrik T, E dan H. Matriks T
𝑥
merupakan matriks jumlah kuadrat dan hasil kali silang total untuk vektor kombinasi 𝑦
yang didefinisikan sebagai berikut :
dimana :
Matriks E merupakan matriks jumlah kuadrat dan hasil kali silang galat yang
didefinisikan sebagai berikut :
dimana :
Sementara itu matriks H merupakan matriks jumlah kuadrat dan hasil kali silang
pengaruh perlakuan yang didefinisikan sebagai berikut :
dimana :
15
Matrik HA merupakan matriks jumlah kuadrat dan hasil kali silang pengaruh faktor 1
yang didefinisikan sebagai berikut :
dimana :
Matriks HB merupakan matriks jumlah kuadrat dan hasil kali silang pengaruh faktor 2
yang didefinisikan sebagai berikut :
dimana :
16
Tabel 2.4. MANCOVA Dua Arah
n
dan lebih dari 50% dari di2 p2(0,5) maka data tersebut dapat dikatakan
menyebar normal ganda.
Jika data tidak mengikuti sebaran multivariate normal maka perlu dilakukan
transformasi data, seperti transformasi log, kuadratik dan ln.
c. Homogenitas Matriks Varians-Kovarians
Pada MANCOVA juga diperlukan asumsi hommogenitas matriks Varians-Kovarians.
Pengujian asumsi ini dilakukan dengan Uji Box’s M.
Hipotesis untuk uji Box’s M adalah
H0: 1 = 2 = ⋯ = 𝑘 (matriks varians-kovarians homogen)
H1: ∃( 𝑖 ≠ 𝑗 ) 𝑢𝑛𝑡𝑢𝑘 (𝑖 ≠ 𝑗) (matriks varians-kovarians tidak homogen)
Statistik uji Box’s M yang digunakan adalah (Gaspersz,1995:541)
𝑘 𝑘
𝑀= 𝑛𝑖 − 1 𝑙𝑛 𝑆 − 𝑛𝑖 − 1 𝑙𝑛 𝑆𝑖
𝑖=1 𝑖=1
𝑘
2𝑝2 + 3𝑝 − 1 1 1
𝐶 −1 = 1 − − 𝑘
6(𝑝 + 1)(𝑘 − 1) 𝑛𝑖 − 1 𝑖=1(𝑛𝑖 − 1)
𝑖=1
𝑘
𝑖=1 (𝑛 𝑖 −1)𝑆𝑖
Dimana 𝑆 = 𝑘 (𝑛 −1) , S adalah matriks gabungan varians kovarians dan merupakan
𝑖=1 𝑖
penduga bagi 𝛴, sedangkan 𝑆𝑖 adalah matriks kovarians 𝛴𝑖 dengan i=1,2,…,k dan k
adalah banyaknya respon yang diamati, ni adalah banyaknya ukuran contoh pada
respon ke-i.
2 1
Pada uji ini, H0 akan ditolak jika MC-1 > 𝑋𝑉;𝛼 , dimana 𝑣 = 2 (𝑘 − 1)(𝑝)(𝑝 + 1).
d. Hubungan linier antara variable dependen dan variable konkomitan
Untuk menguji asumsi ini digunakan statistic Wilk’s Lambda, dengan hipotesis yang
digunakan adalah
H0: 𝑩 = 0 (variable X tidak mempengaruhi variable Y)
H1: 𝑩 ≠ 0 (variable X mempengaruhi variable Y)
Statistik uji yang digunakan adalah
𝐄𝒀.𝑿 𝐄𝒚𝒚 − 𝑬𝒚𝒙 . 𝑬−𝟏
𝒙𝒙 . 𝑬𝒙𝒚
Λ=
𝐄𝒀.𝑿 + 𝐇𝑹 𝐄𝒚𝒚
Statistika Wilk’s Lambda tersebut bsa ditransformasikan menjadi sebaran F, bentuk
transformasi ke sebaran F adalah sesuai dengan table 2.5 berikut
18
Tabel 2.5 . Transformasi ke sebaran F
dengan:
p = banyaknya variable respon yang diamati
𝑉𝐻 = derajat bebas perlakuan
𝑉𝐸 = derajat bebas galat
𝐇𝐅 = 𝑬𝒚𝒙𝒍𝒌 . 𝑬−𝟏
𝒙𝒙𝒍𝒌 . 𝑬𝒙𝒚𝒍𝒌
𝒍=𝟏 𝒌=𝟏
Sedangkan model turunan (reduced model) yang merupakan 𝐇𝑹 dirumuskan sebagai:
𝐇𝐑 = 𝑬𝒚𝒙 . 𝑬−𝟏
𝒙𝒙 . 𝑬𝒙𝒚
19
Hipotesis untuk uji ini adalah
H0: koefisien regresi homogen antar perlakuan
H1: koefisien regresi tidak homogeny antar perlakuan
Statistik uji yang digunakan adalahh selisih antara model penuh dengan model
tereduksi, yaitu
𝒈 𝒃
𝐇𝐅 − 𝐇𝐑 = 𝑬𝒚𝒙𝒍𝒌 . 𝑬−𝟏 −𝟏
𝒙𝒙𝒍𝒌 . 𝑬𝒙𝒚𝒍𝒌 − 𝑬𝒚𝒙 . 𝑬𝒙𝒙 . 𝑬𝒙𝒚
𝒍=𝟏 𝒌=𝟏
Dan matriks jumlah kuadrat dalam model penuh adalah
𝒈 𝒃
20
2. Melakukan pengujian terhadap vektor rata-rata untuk p variabel dependen pada tiap
perlakuan.
Pengujian hipotesis merupakan tahap paling penting dalam statistic inferensia.
Pengujian hipotesis dalam MANCOVA dua arah sama seperti pengujian dalam
MANOVA dua arah, hanya saja dalam MANCOVA dua arah perlu mempertimbangkan
hipotesis terhadap koefisien regresi yang ada karena adanya variabel konkomitan. Dengan
demikian hipotesis dalam MANCOVA dua arah adalah untuk menguji perbedaan
perlakuan terhadap sekelompok variabel dependen setelah disesuaikan dengan pengaruh
variabel konkomitan.
Pengaruh interaksi faktor 1 dan faktor 2
(tidak ada pengaruh interaksi faktor 1 dan faktor 2 terhadap respons yang diamati)
(ada pengaruh interaksi faktor 1 dan faktor 2 terhadap respons yang diamati)
Hipotesis tentang pengaruh interaksi ditempatkan pada bagian pertama, hal ini
menunjukkan bahwa dalam percobaan dua factor terlebih dahulu menguji tentang
pengaruh interaksi antara kedua faktor. Jika terdapat pengaruh interaksi (H0 ditolak),
maka tidak perlu melakukan hipotesis utama (hipotesis faktor 1 dan faktor 2) tetapi yang
terpenting adalah mencari lebih jauh bagaimana bentuk hubungan ketergantungan diantara
faktor 1 dan faktor 2. Jika pengujian terhadap hipotesis mengenai pengaruh interaksi
menyatakan bahwa tidak ada pengaruh interaksi (H0 diterima), maka dilakukan pengujian
terhadap hipotesis mengenai pengaruh utama faktor 1 dan pengaruh utama faktor 2
menjadi bermanfaat (Gaspersz, 1991 : 330)
Pengaruh faktor 1
atau
21
Tolak H0 jika Fint > Ftabel atau 𝑋 2 > 𝑋 2 (g-1)(b-1)p;(α)
Pengaruh faktor 1
atau
atau
22
BAB III
CONTOH KASUS
Pada tabel 3.4, untuk interaksi metode pembelajaran dan perbedaan kelas menunjukan
p-value = 0.396 > α = 0,05 maka H0 diterima. Artinya,nilai IQ tidak berkorelasi
dengan metode pembelajaran dan perbedaan kelas. Untuk metode pembelajaran,
karena p-value = 0.349 > α = 0,05 maka H0 diterima. Artinya, IQ tidak berkorelasi
dengan metode pembelajaran. Kemudian, untuk perbedaan kelas, didapatkan juga
bahwa p-value = 0. 431 > α=0,05 maka H0 diterima yang berarti nilai IQ juga tidak
berkorelasi dengan perbedaan kelas. Dengan demikian, dapat disimpulkan bahwa
asumsi ariabel konkomitan tidak berkorelasi dengan perlakuan yang dicobakan
terpenuhi.
Dari tabel 3.5 didapatkan, p-value untuk interaksi antara metode pembelajaran dan
kelas sebesar 0.323 lebih besar dari tingkat signifikansi α = 0.05 sehingga H0 diterima,
yang berarti tidak terdapat pengaruh yang signifikan dari interaksi antara metode
pembelajaran dan kelas terhadap nilai tes fisika yang telah disesuaiakan dengan IQ.
25
Kemudian, untuk faktor kelas didapatkan p-value = 0.028 < α = 0.05 maka H0 ditolak,
sehingga dapat disimpulkan bahwa terdapat pengaruh metode pembelajaran terhadap nilai
tes fisika. Sedangkan untuk faktor metode pembelajaran, diperoleh p-value = 0.128 > α =
0.05 maka H0 diterima, artinya tidak terdapat pengaruh kelas terhadap nilai fisika.
Oleh karena itu dapat disimpulkan bahwa, faktor yang mempengaruhi nilai tes dalam
bidang fisika adalah faktor kelas. Dengan kata lain, nilai tes fisika antara kelompok siswa
antar kelas berbeda.
26
BAB IV
KESIMPULAN
Berdasarkan pembahasan mengenai analisis kovarian multivariat dua arah dengan satu
kovariat beserta contoh pennerapannya dapat diambil kesimpulan bahwa contoh penerapan
mancova dua arah dapat diterapkan dalam bidang pendidikan. Salah satu terapan dalam
bidang pendidikan bertujuan untuk menyelediki apakah metode pembelajaran (tradisional dan
discovery) dan perbedaan kelas berdasarkan waktu perkuliahan (kelas A yaitu kelas
perkuliahan pagi pukul 08.00, kelas B yaitu kelas perkuliahan siang pukul 14.00, dan kelas C
yaitu kelas perkuliahan malam pukul 20.00) dalam pembelajaran fisika berpengaruh terhadap
nilai tes di bidang mekanik, panas, dan bunyi setelah disesuaikan dengan nilai IQ mahasiswa.
Hasil penelitian ini menunjukkan untuk factor perbedaan kelas terdapat pengaruh nilai tes
bidang mekanik, panas, dan bunyi setelah disesuaikan dengan nilai IQ. Sedangkan untuk
factor metode pembelajaran dan interaksi antara pembelajaran dan perbedaan kelas, tidak
mempengaruhi nilai tes ketiga bidang.
27
DAFTAR PUSTAKA
Johnson, R. A. & Wichern, D. W. 2002. Applied Multivariate Statistical Analysis. New Jersey
: Prantice Hall International, Inc.
Rencher, A. C. 1998. Multivariate Statistical Inference and Applications. New York : John
Wiley and Sons.
Sudjana. 1994. Desain dan Analisis Eksperimen Edisi Ketiga. Bandung : Tarsito.
28
LAMPIRAN
Lampiran 1. MANCOVA Metode Pembelajaran dan Perbedaan Kelas Tehadap Nilai Tes
dalam Bidang Fisika yang Disesuaikan dengan Nilai IQ
Answer = 6.1860
Answer = 5.9030
Answer = 7.0692
Answer = 4.2319
Answer = 7.5966
Answer = 2.4921
Answer = 1.1373
Answer = 0.3355
Answer = 0.3140
Answer = 4.7196
Answer = 2.0677
Answer = 3.8353
Answer = 1.1373
Answer = 1.1373
Answer = 3.5448
Answer = 0.3140
Answer = 0.3355
Answer = 3.7463
Answer = 0.3355
Answer = 2.0677
Answer = 0.3140
Answer = 2.0677
Answer = 0.3355
Answer = 7.7767
Scatterplot of q vs dd
Data Display
t 0.541667
29
Chi
d square
6.186 2.36
5.903 2.36
7.0692 2.36
4.2319 2.36
7.5966 2.36
2.4921 2.36
1.1373 2.36
0.3355 2.36
0.314 2.36
4.7196 2.36
2.0677 2.36
3.8353 2.36
1.1373 2.36
1.1373 2.36
3.5448 2.36
0.314 2.36
0.3355 2.36
3.7463 2.36
0.3355 2.36
2.0677 2.36
0.314 2.36
2.0677 2.36
0.3355 2.36
7.7767 2.36
30
Lampiran 2. Hasil Uji Bartlett Sphericity
Bartlett's Test of
Sphericitya
Likelihood Ratio .000
Approx. Chi- 20.372
Square
df 5
Sig. .001
Tests the null hypothesis that
the residual covariance
matrix is proportional to an
identity matrix.
a. Design: Intercept + IQ +
METODE + KELAS +
METODE * KELAS
31
Lampiran 3. Hasil uji Box’s M
Box's Test of
Equality of
Covariance
Matricesa
Box's 19,042
M
F ,774
df1 12
df2 392,538
Sig. ,677
Tests the null
hypothesis that the
observed
covariance matrices
of the dependent
variables are equal
across groups.
a. Design: Intercept
+ IQ_X + Metode
+ Kelas + Metode *
Kelas
32
Lampiran 4. Hasil Uji MANCOVA
Multivariate Testsc
Effect Hypothesis
Value F df Error df Sig.
Intercept Pillai's Trace ,993 717,572a 3,000 15,000 ,000
Wilks' Lambda ,007 717,572a 3,000 15,000 ,000
Hotelling's Trace 143,514 717,572a 3,000 15,000 ,000
Roy's Largest 143,514 717,572a 3,000 15,000 ,000
Root
IQ_X Pillai's Trace ,259 1,751a 3,000 15,000 ,200
Wilks' Lambda ,741 1,751a 3,000 15,000 ,200
Hotelling's Trace ,350 1,751a 3,000 15,000 ,200
Roy's Largest ,350 1,751a 3,000 15,000 ,200
Root
Metode Pillai's Trace ,308 2,222a 3,000 15,000 ,128
Wilks' Lambda ,692 2,222a 3,000 15,000 ,128
Hotelling's Trace ,444 2,222a 3,000 15,000 ,128
Roy's Largest ,444 2,222a 3,000 15,000 ,128
Root
Kelas Pillai's Trace ,683 2,768 6,000 32,000 ,028
Wilks' Lambda ,345 3,514a 6,000 30,000 ,009
Hotelling's Trace 1,818 4,241 6,000 28,000 ,004
Roy's Largest 1,771 9,448b 3,000 16,000 ,001
Root
Metode * Pillai's Trace ,372 1,218 6,000 32,000 ,323
Kelas Wilks' Lambda ,630 1,300a 6,000 30,000 ,287
Hotelling's Trace ,585 1,364 6,000 28,000 ,263
Roy's Largest ,580 3,092b 3,000 16,000 ,057
Root
a. Exact statistic
b. The statistic is an upper bound on F that yields a lower bound on the significance level.
c. Design: Intercept + IQ_X + Metode + Kelas + Metode * Kelas
33
Tests the null hypothesis that the error variance of the
dependent variable is equal across groups.
a. Design: Intercept + IQ_X + Metode + Kelas +
Metode * Kelas
34
Corrected Total Mekanik_Y 23,833 23
dime 1
nsion
Panas_Y2 42,000 23
1
Bunyi_Y3 37,625 23
a. R Squared = ,404 (Adjusted R Squared = ,194)
b. R Squared = ,672 (Adjusted R Squared = ,556)
c. R Squared = ,718 (Adjusted R Squared = ,619)
35
Lampiran 5. ANOVA Metode Pembelajaran dan Kelas terhadap IQ
36