TUGAS I

Kelempok 2:

1. RENI ANDRIANI 18728251021

2. KHAIRUNNISA 18728251029
3. INTAN AGNES SINGYU FIOLIDA 18728251031
4. PRASLITA DISHADEWI 18728251035
5. ROSIANA MELIA SARI 18728251038

FAKULTAS PASCASARJANA PRODI PENDIDIKAN KIMIA

UNIVERSITAS NEGERI YOGYAKARTA
2018
 PENYELESAIAN

1. Stars plot dari ketiga variabel (G, R, S), E1-E11 menyatakan subyek pada grup
eksperimental, dan K1-K8 menyatakan subyek pada grup kontrol.
Program R :
> studi <- read.csv(file="D:/pasca/statistik/Tugas 1/studi_pilot.csv",head=TRUE)
> str(studi)
'data.frame': 19 obs. of 5 variables:
$ subject : Factor w/ 19 levels "E1","E10","E11",..: 1 4 5 6 7 8 9 10 11 2 ...
$ perlakuan: Factor w/ 2 levels " eksperimen",..: 1 1 1 1 1 1 1 1 1 1 ...
$G : int 31 52 57 63 42 71 65 60 54 67 ...
$R : int 12 64 42 19 12 79 38 14 75 22 ...
$S : int 24 32 21 54 41 64 52 57 58 69 ...
> head(studi)
subject perlakuan G R S
1 E1 eksperimen 31 12 24
2 E2 eksperimen 52 64 32
3 E3 eksperimen 57 42 21
4 E4 eksperimen 63 19 54
5 E5 eksperimen 42 12 41
6 E6 eksperimen 71 79 64
> library(GGally)
> library(ggplot2)
> p <- ggpairs(studi[,-1], aes(color = perlakuan))+ theme_bw()
>p
win.graph(width=10, height =15)
stars(x =
studi[,c("G","R","S")],
nrow = 8, ncol = 8, draw.segments =TRUE, key.loc
= c(3,22),labels=as.character(studi$subject))

Star Plot

2
 Interpretasi :
Berdasarkan hasil stars plot dapat dilihat bahwa keragaman dari stars plot terdapat
perbedaan pada keragamannya yaitu pada kelas eksperimen dapat dilhat ukuran E6 dan
E9 paling menonjol dibanding hasil E yang lain, variabel R dan S pada E6 dan E9 lebih
besar dibanding R dan S pada hasil E yang lain, Dilihat dari kelas Kontrol, variabel G
ukurannya paling besar pada K6, K7 dan K8. Sehingga dapat disimpulkan bahwa nilai
pada kelas Ekeperimen lebih tinggi daripada nilai pada kelas Kontrol pada variabel R dan
S.
2. Tentuka matriks variansi dan kovariansi serta matriks korelasi dari data berikut:

4 3 10
5 2 11
8 6 15
9 6 9
10 8 5

Penyelesaian:
matriks variansi dan kovariansi serta matriks korelasi
Program R:

> matriks <- read.csv(file="D:/PASCA/statistik/Tugas 1/matriks.csv",head=TRUE)

> colMeans(matriks)
x1 x2 x3
7.2 5.0 10.0
> cov(matriks)
x1 x2 x3
x1 6.7 6.0 -3.5
x2 6.0 6.0 -3.5
x3 -3.5 -3.5 13.0
> cor(matriks)
x1 x2 x3
x1 1.0000000 0.9463204 -0.3750239
x2 0.9463204 1.0000000 -0.3962970
x3 -0.3750239 -0.3962970 1.0000000
> round(cor(matriks),3)
x1 x2 x3

3
 x1 1.000 0.946 -0.375
x2 0.946 1.000 -0.396
x3 -0.375 -0.396 1.000

3. Hasil Perkalian dari dan menunjukan :

Program R:
> A <- matrix(c(2,3,
+ 3,6),nrow=2,ncol=2,byrow=TRUE)
>A
[,1] [,2]
[1,] 2 3
[2,] 3 6
> B <- matrix(c(1,0,
+ 0,1),nrow=2,ncol=2,byrow=TRUE)
>B
[,1] [,2]
[1,] 1 0
[2,] 0 1
> A*B
[,1] [,2]
[1,] 2 0
[2,] 0 6
> B*A
[,1] [,2]
[1,] 2 0
[2,] 0 6

4. a) Hipotesis nol dan hipotesis alternatif dengan simbol

Jawab:
H0 H0:
H1: H1

b) rata-rata dan simpangan baku dari variabel keterampilan metakognitif pada masing-
masing metode pembelajaran

> dat <- read.csv(file="D:/PASCA/statistik/Tugas 1/inkuiri.csv",head=TRUE)

> str(dat) #melihat struktur data
'data.frame': 60 obs. of 9 variables:
$ Peserta_didik : int 1 2 3 4 5 6 7 8 9 10 ...

4
$ Pre_test_metakognitif : num 7.5 7.5 11.2 12.5 17.5 ...
$ Post_test_metakognitif: num 53.8 62.5 66.2 55 68.8 ...
$ n_gain_metakognitif : num 0.5 0.59 0.62 0.49 0.62 0.48 0.52 0.6 0.69 0.44 ...
$ Pre_test_sikap_ilmiah : num 63 67.4 68.5 59.8 68.5 ...
$ Post_test_sikap_ilmiah: num 77.2 80.4 81.5 72.8 81.5 ...
$ n_gain_sikap_ilmiah : num 0.38 0.4 0.41 0.32 0.41 0.32 0.41 0.5 0.46 0.29 ...
$ Kelas : Factor w/ 2 levels "Eksperimen","Kontrol": 2 2 2 2 2 2 2 2 2 2 ...
$ Metode : Factor w/ 2 levels "Inkuiri","Langsung": 2 2 2 2 2 2 2 2 2 2 ...
> attach(dat) ##database dicari di R sehingga obyek dapat dicari
dengan hanya menuliskan namanya
The following object is masked from dat (pos = 12):

Kelas

> head(dat) #menampilkan 6 pengamatan pertama

Peserta_didik Pre_test_metakognitif Post_test_metakognitif
1 1 7.50 53.75
2 2 7.50 62.50
3 3 11.25 66.25
4 4 12.50 55.00
5 5 17.50 68.75
6 6 11.25 53.75
n_gain_metakognitif Pre_test_sikap_ilmiah Post_test_sikap_ilmiah
1 0.50 63.04 77.17
2 0.59 67.39 80.43
3 0.62 68.48 81.52
4 0.49 59.78 72.83
5 0.62 68.48 81.52
6 0.48 59.78 72.83
n_gain_sikap_ilmiah Kelas Metode
1 0.38 Kontrol Langsung
2 0.40 Kontrol Langsung
3 0.41 Kontrol Langsung
4 0.32 Kontrol Langsung
5 0.41 Kontrol Langsung
6 0.32 Kontrol Langsung
> tail(dat) #menampilkan 6 pengamatan terakhir
Peserta_didik Pre_test_metakognitif Post_test_metakognitif
55 55 16.25 73.75
56 56 6.25 60.00
57 57 16.25 63.75
58 58 7.50 62.50
59 59 26.25 77.50
60 60 11.25 72.50
n_gain_metakognitif Pre_test_sikap_ilmiah Post_test_sikap_ilmiah
55 0.69 69.57 83.70
56 0.57 65.22 77.17
57 0.57 63.04 77.17

5
 58 0.59 67.39 82.61
59 0.69 69.57 83.70
60 0.69 69.57 83.70
n_gain_sikap_ilmiah Kelas Metode
55 0.46 Eksperimen Inkuiri
56 0.34 Eksperimen Inkuiri
57 0.38 Eksperimen Inkuiri
58 0.47 Eksperimen Inkuiri
59 0.46 Eksperimen Inkuiri
60 0.46 Eksperimen Inkuiri
> #Nilai rata-rata keterampilan metakognitif pada masing-masing metode
> aggregate(cbind(Post_test_metakognitif), by=list(Metode), FUN=mean,
na.rm=TRUE)
Group.1 Post_test_metakognitif
1 Inkuiri 67.16667
2 Langsung 59.37500
> #Nilai simpangan baku keterampilan metakognitif pada masing-masing metode
> aggregate(cbind(Post_test_metakognitif), by=list(Metode), FUN=sd, na.rm=TRUE)
Group.1 Post_test_metakognitif
1 Inkuiri 6.131931
2 Langsung 8.025753
> #grafik boxplot bagi masing-masing metode pembelajaran pada variabel keterampilan
metakognitif
> library(dplyr)
> library(ggplot2)
> library(ggpubr)
> p <- ggplot(dat,aes(x=Metode,y=Post_test_metakognitif))+
+ geom_boxplot()
>p

c) Grafik boxplot masing-masing metode pembelajaran pada variabel keterampilan

metakognitif:

6
 Interpretasi:
Berdasarkan grafik boxplot tersebut dapat diinterpretasikan bahwa nilai rata-
rata pada metode inkuiri sebesar 67.16667 sedangkan pada metode langsung sebesar
59.37500, nilai simpangan baku pada metode inkuiri sebesar 6.131931 sedangkan nilai
simpangan baku pada metode langsung sebesar 8.025753, serta nilai maksimum dan
nilai minimum dari metode inkuiri lebih besar dari metode langsung. Jadi dapat
disimpulkan bahwa metode inkuiri lebih baik dari pada metode langsung.

d) Analisis variansi dari a)

> #analisis variansi

> mod.anova <- aov(Post_test_metakognitif~Metode)
> summary(mod.anova)
Df Sum Sq Mean Sq F value Pr(>F)
Metode 1 910.7 910.7 17.85 8.54e-05 ***
Residuals 58 2958.4 51.0
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Kesimpulan:
F hitung > 17.85 dan p-value = 8.54e-05 < 0.05 maka H0 ditolak. Jadi pada taraf
signifikansi 0,05 dapat disimpulkan ada pengaruh metode pembelajaran (inquiry dan
langsung) terhadap rata-rata skor keterampilan metakognitif.

e) Analisis variansi metode Tukey:

> #analisis variansi dengan metode Tukey

> TukeyHSD(mod.anova)
Tukey multiple comparisons of means
95% family-wise confidence level

Fit: aov(formula = Post_test_metakognitif ~ Metode)

$`Metode`
diff lwr upr p adj
Langsung-Inkuiri -7.791667 -11.48289 -4.100442 8.54e-05
-7.791667
-11.48289 < -4.100442

7
 Maka, metode yang lebih baik adalah metode inquiry

5. a) Hipotesis nol dan hipotesis alternatif dengan simbol

Jawab:

H0 : H1:

Dengan dan rata-rata kemampuan

keterampilan sosial.

b) Vektor rata- rata sampel

c) Hitung matriks kovarians sampel,

S-1 =

d) Hitungan T2 Hotteling
1. Chi square, T2 Hotteling = 0.036721
P value = 0.9818
2. F, T2 Hotteling = 0.017727
P value = 0.9824

e) Kesimpulan berdasarkan hipotesis pada a)

Karena T2 = 0.03672086 < 6.91937 maka H0 diterima. Jadi pada taraf signifikansi
0.05 dapat disimpulkan bahwa dan rata-rata
kemampuan keterampilan sosial pada metode pembelajaran TPACK sama dengan nilai
kriteria ketuntasan minimal (KKM) secara berturut-turut sebesar 79 dan 76.

f) Hipotesis nol dan hipotesis alternatif

8
 Jawab :
H0 : data berdistribusi normal multivariat
H1 : data tidak berdistribusi normal multivariat
Berdasarkan uji Henze-Zirklerm diperoleh HZ = 0.4472995 dan nilai p =
0.4432632 > 0.05 maka kedua variabel dependen pada metode pembelajaran TPACK
tersebut mengikuti distribusi normal multivariat.

Dari Chi-Square Q-Q plot untuk model pembelajaran TPACK terlihat bahwa
hamper semua titik-titik dekat dengan garis lurus mengindikasikan asumsi normalitas
multivariate terpenuhi.

g) Interval kepercayaan secara simultan 95% bagi dan berdasarkan

74.41445 ≤ literasi ≤ 83.44888
72.34539 ≤ sains≤ 79.23928

Ya, karena interval kepercayaan simultan 95% literasi dan sains berturut-turut
memuat 79 dan 76.