Anda di halaman 1dari 26

UJI ASUMSI NORMALITAS MULTIVARIAT

Disusun untuk Memenuhi Tugas Mata Kuliah Statistika Multivariat


Dosen Pengampu: Dr. Dhoriva Urwatul Wutsqa, M.S.
.

Oleh :

KELOMPOK 6
Aan Andriani (18709251030)
Muh. Fachrullah Amal (18709251036)

PROGRAM STUDI PENDIDIKAN MATEMATIKA


PROGRAM PASCASARJANA
UNIVERSITAS NEGERI YOGYAKARTA
2018
A. Uji Asumsi Normal Multivariat

Uji normalitas data dimaksudkan untuk memperlihatkan bahwa data sampel berasal dari
populasi yang berdistribusi normal. Kenormalan multivariate yang dimaksud adalah kenormalan
multivariat pada variable-variabel dependen dalam masing-masing populasi (kelompok). Asumsi
variable dependen berdistribusi normal multivariate perlu dilakukan karena pengujian dalam
MANOVA menggunakan Wilk’s Lambda yang berdistribusi chi-square. Variable X dengan p
level dikatakan berdistribusi normal multivariate dengan parameter 𝜇 dan ∑ bila memiliki fungsi
densitas pada persamaan berikut:
1 
exp  x     1 x   
1
f ( x) 
'

2  p/2
|| p/2
2 

dengan    xi  , i  1,2,..., p .

Uji asumsi normallitas dapat dilakukan dengan menggunakan jarak kuadrat (jarak Mahalanobis)

  
d 2j  x j  x ' S 1 x j  x ,  j  1,2,..., n .

Normal p-variat dipenuhi jika sekitar 50% nilai jarak Mahalanobis kurang atau sama dengan
 p2 (0,50) . Selain itu, bisa juga menggunakan cara lain yaitu dengan membuat Q-Q plot.

Pemeriksaan multivariat normal dengan cara membuat Q-Q plot dari d 2j dan qi . Tahapan-tahapan

dalam pembuatan Q-Q plot adalah sebagai berikut :

1. Tentukan nilai vektor rata-rata x dan invers dari matriks varians kovarians S.
2. Tentukan nilai d 2j yang merupakan jarak Mahalanobis setiap pengamatan dengan vektor

   
rata-ratanya d 2j  x j  x ' S 1 x j  x dengan j  1,2,..., n.

3. Urutkan d i2 dari yang terkecil hingga terbesar d (21)  d (22)  ...  d (2n) .

 1
n j 
4. Tentukan niai qi yang didekati dengan  p2  2 , dengan p adalah derajat
 n 
 
 
kebebasan.
  1 
 n j  
5. Buat scatter-plot dengan ordinat d 2j dan absis qi , yaitu   p2  2 , d 2 
  n 
j

   
   
6. Jika plot membentuk plot garis lurus yang melewati (0,0) dengan gradien mendekati 1,
maka dapat dikatakan bahwa data berdistribusi normal p-variat. Sedangkan kelengkungan
menunjukkan penyimpangan dari normalitas. Titik-titik amatan yang jauh dari garis
menunjukkan jarak yang besar atau dapat dikatakan bahwa amatan tersebut merupakan
outlier.

Cara ketiga untuk menentukan data berdistribusi normal p-variat adalah dengan menggunakan
nilai korelasi. Langkah-langkahnya ditunjukkan sebagai berikut :

1.   
Hitung jarak kuadrat d 2j  x j  x ' S 1 x j  x ,  j  1,2,..., n .

2. Urutkan mulai dari yang terkecil hingga terbesar d (21)  d (22)  ...  d (2n) .

 1 
3. Hitung korelasi antara  p2   n  j   / n , d 2j
 2 
4. Bandingkan dengan nilai tabel 4.2 dibuku Johnson Bab 4 Hal. 181. Jika nilai korelasi lebih
besar dari nilai tabel, maka sampel berasal dari populasi berdistribusi normal p-variat.

B. Contoh Kasus dan Pembahasan


Seorang peneliti ingin membandingkan 3 model pembelajaran yaitu Discovery, Inquiry, dan
Problem Based Learning dalam meningkatkan Kemampuan Pemecahan Masalah dan Penalaran
siswa. Sebelum melakukan uji pada ketiga kelompok eksperimen tersebut, maka sebelumnya harus
terpenuhi asumsi normalitas.
Tabel 1. Data Nilai KPM dan Penalaran
Kelompok
No Discovery Inquiry Problem Based Learning
KPM Penalaran KPM Penalaran KPM Penalaran
1. 70 87 68 75 78 85
2. 72 76 77 79 68 77
3. 75 83 75 80 78 86
4. 80 84 80 83 75 84
5. 68 79 82 82 80 78
6. 67 80 76 85 79 87
7. 81 78 73 82 85 80
8. 77 72 70 75 82 80
9. 72 75 65 75 75 80
10. 70 73 72 78 72 85

Penyelesaian :

1. Perhitungan dengan Bantuan Excel Uji Normalitas Multivariat Kelompok Discovery


Learning
Tabel 2. Data Kelompok Discovery
Discovery
No.
KPM Penalaran
1 70 87
2 72 76
3 75 83
4 80 84
5 68 79
6 67 80
7 81 78
8 77 72
9 72 75
10 70 73
1. Hipotesis penelitian
H0 : Sampel berasal dari populasi berdistribusi normal.
H1 : Sampel tidak berasal dari populasi berdistribusi normal.
2. Taraf signifikan: 0.05
3. Statistik uji
Jarak kuadrat:

   
d 2j  x j  x ' S 1 x j  x , j  1,2,..., n.

4. Kriteria keputusan
H0 diterima jika nilai d 2j  50% dengan  p2 (0,5) .

5. Perhitungan
 Langkah-langkah hasil perhitungan uji normalitas dengan menggunakan jarak
kuadrat sebagai berikut :
a. Nilai vektor rata-rata
Matriks SSCP
213.6 2.6 
SSCP   
 2.6 216.,1
b. Matriks Kovarians S dan S 1
SSCP
S
n 1
23.7333 0.28889
S 
0.28889 24.0111
 0.042141  0.00051
S 1   
 0.00051 0.041653 
c. Nilai jarak Mahalanobis d 2j setiap titik pengamatan dengan vektor rata-

ratanya:

   
d 2j  x j  x ' S 1 x j  x , j  1,2,..., n

terdapat matriks 10x10.


d. Kemudian diagonal dari d 2j diurutkan dari yang terkecil ke yang terbesar.
 1
n j 
e. Tentukan nilai chi yang didekati dengan  p2  2 .
 n 
 
 
Untuk mendapatkan nilai chi  22 (0.5) menggunakan bantuan program Excel
dengan mengetikkan =CHIINV(0,5;2) hasilnya 1.386294.

Tabel 3. Hasil perhitungan 𝑑𝑗 2 yang telah terurut dan nilai chi kelompok Discovery

 1  1
Diagonal Diurutkan n j  n j 
No  2  p2  2
d 2j d 2j  n   n 
   
   

1 3,327965297 0,36105148 0,95 0,10259

2 0,361051478 0,62641694 0,85 0,32504

3 0,898861159 0,89886116 0,75 0,57536

4 3,082100528 1,14482343 0,65 0,86157

5 1,144823432 1,69846768 0,55 1,19567

6 1,698467679 1,7663496 0,45 1,59702

7 2,58980547 2,50415841 0,35 2,09964

8 2,504158415 2,58980547 0,25 2,77259

9 0,626416942 3,08210053 0,15 3,79424

10 1,7663496 3,3279653 0,05 5,99146

Berdasarkan tabel dapat diketahui bahwa banyaknya nilai d 2j (diagonal

terurut) yang kurang dari nilai chi (0,5) 1.386294 ada 4 nilai atau 40%. Persentase
ini dapat dikatakan memenuhi kriteria chi square 50% sehingga dapat disimpulkan
bahwa asumsi normalitas p-variat terpenuhi. Ini merupakan cara menentukan uji
 
normalitas menggunakan kriteria chi  2 .
 Membuat scatter-plot menggunakan program Excel, sehingga diperoleh:

Gambar 1. Q-Q Plot Kelompok Discovery

q-q plot kelompok discovery


3.5

2.5
Malanobis

1.5

0.5

0
0 1 2 3 4 5 6 7
qi

Dengan melihat grafik pada Gambar 1. di atas dapat dikatakan bahwa asumsi
kenormalan p-variat pada kelompok Discovery terpenuhi karena titik-titik amatan
dapat dikatakan cukup mengikuti arah garis lurus diagonal. Perhatikan juga bahwa
titik amatan ke-10 berada jauh dari data lain, hal ini mengindikasikan bahwa titik
amatan tersebut kemungkinan adalah outlier.

 Cara ketiga untuk pengujian distribusi p-variat bisa menggunakan korelasi untuk
menguji tingkat signifikansi. Uji ini dilakukan dengan mengkorelasikan antara nilai
d 2j dengan nilai q i . Perhitungan koefisien korelasi menggunakan rumus yang
diperoleh dari buku Johnson and Wichern Hal. 181.

 x  
n

j  x qj  q
j 1
rQ 
 x   q 
n n
2 2
j x j q
j 1 j 1

Berdasarkan rumusan di atas diperoleh nilai koefisien korelasi untuk kelompok


Discovery adalah :
 x  
n

j  x q j  q = 15.90045865
j 1

 x 
n
2
j x = 3.130289.
j 1

 q 
n
2
j  q = 5.500149.
j 1

rQ  0.9235 .

Dengan menggunakan taraf signifikansi 5%, maka dapat diperoleh daerah kritis
0.9198 (Tabel Johnson hal 181.). Karena nilai korelasi lebih besar daripada nilai
tabel maka dapat disimpulan bahwa data kemampuan pemecahan masalah dan
penalaran siswa dari kelompok Discovery berdistribusi normal p-variat.

2. Perhitungan dengan Bantuan Excel Uji Normalitas Multivariat Kelompok Inquiry


Learning
Tabel 4. Data Kelompok Inquiry
Inquiry
No.
KPM Penalaran
1 68 75
2 77 79
3 75 80
4 80 83
5 82 82
6 76 85
7 73 82
8 70 75
9 65 75
10 72 78

1. Hipotesis penelitian
H0 : Sampel berasal dari populasi berdistribusi normal
H1 : Sampel tidak berasal dari populasi berdistribusi normal
2. Taraf signifikan: 0.05
3. Statistik uji
Jarak kuadrat:
   
d 2j  x j  x ' S 1 x j  x , j  1,2,..., n.

4. Kriteria keputusan
H0 diterima jika nilai d 2j  50% dengan  p2 (0.5)

5. Perhitungan
 Langkah-langkah hasil perhitungan uji normalitas dengan menggunakan jarak
kuadrat sebagai berikut :
a. Nilai vektor rata-rata
Matriks SSCP
251,6 136,8
𝑆𝑆𝐶𝑃 = [ ]
136,8 118,4
b. Matriks Kovarians S dan S 1
27,955556 15,2
𝑆=[ ]
15,2 13,15556
0,096215 −0,11117
𝑆 −1 = [ ]
−0,11117 0,204457
c. Nilai jarak Mahalanobis d 2j setiap titik pengamatan dengan vektor rata-ratanya:

   
d 2j  x j  x ' S 1 x j  x , j  1,2,..., n

terdapat matriks 10 x 10.


d. Kemudian diagonal dari d 2j diurutkan dari yang terkecil ke yang terbesar.

 1
n j 
e. Tentukan nilai chi yang didekati dengan  p2  2
 n 
 
 
Untuk mendapatkan nilai chi  22 (0.5) menggunakan bantuan program Excel
dengan mengetikkan =CHIINV(0,5;2) hasilnya 1.386294.
Tabel 5. Hasil perhitungan d 2j yang telah terurut dan nilai chi kelompok Inquiry

 1  1
Diagonal Diurutkan n j  n j 
No  2  p2  2
d 2j d 2j  n   n 
   
   

1 1,520976596 0,0520731 0,95 0,10259

2 1,302542618 0,1521887 0,85 0,32504

3 0,0520731 1,3025426 0,75 0,57536

4 1,385755562 1,3857556 0,65 0,86157

5 3,111449003 1,5209766 0,55 1,19567

6 4,138283733 1,6301936 0,45 1,59702

7 1,906161514 1,9061615 0,35 2,09964

8 1,630193586 2,8003756 0,25 2,77259

9 2,800375614 3,111449 0,15 3,79424

10 0,152188674 4,1382837 0,05 5,99146

Berdasarkan tabel dapat diketahui bahwa banyaknya nilai d 2j (diagonal terurut)

yang kurang dari nilai chi (0,5) 1.386294 ada 4 nilai atau 40%. Persentase ini dapat
dikatakan memenuhi kriteria chi square 50% sehingga dapat disimpulkan bahwa
asumsi normalitas multivariate terpenuhi. Ini merupakan cara menentukan uji
normalitas menggunakan kriteria chi  2 .  
 Membuat scatter-plot menggunakan program Excel, sehingga diperoleh:

Gambar 2. Q-Q Plot Kelompok Inquiry

q-q plot kelompok inquiry


4.5
4
3.5
3
Mahalanobis

2.5
2
1.5
1
0.5
0
0 1 2 3 4 5 6 7
qi

Dengan melihat grafik pada Gambar 2. di atas dapat dikatakan bahwa asumsi
kenormalan p-variat pada kelompok Inquiry terpenuhi karena titik-titik amatan
dapat dikatakan cukup mengikuti arah garis lurus diagonal. Perhatikan juga bahwa
titik amatan ke 10 berada jauh dari data lain, hal ini mengindikasikan bahwa titik
amatan tersebut kemungkinan adalah outlier.

 Cara ketiga untuk pengujian distribusi p-variat bisa menggunakan korelasi untuk
menguji tingkat signifikansi. Uji ini dilakukan dengan mengkorelasikan antara nilai
d 2j dengan nilai q i . Perhitungan koefisien korelasi menggunakan rumus yang
diperoleh dari buku Johnson and Wichern Hal. 181.
Berdasarkan rumusan tersebut diperoleh nilai koefisien korelasi untuk kelompok
Inquiry adalah

 x  
n

j  x q j  q = 20,01939047
j 1

 x 
n
2
j x = 3,807331
j 1
 q 
n
2
j q = 5,500149
j 1

rQ  0.955995

Dengan menggunakan taraf signifikansi 5%, maka dapat diperoleh daerah kritis
0.9198 (Tabel Johnson hal 181.). Karena nilai korelasi lebih besar daripada nilai
tabel maka dapat disimpulan bahwa data kemampuan pemecahan masalah dan
penalaran siswa dari kelompok Inquiry berdistribusi normal p-variat.

3. Perhitungan dengan Bantuan Excel Uji Normalitas Multivariat Kelompok Problem


Based Learning

Tabel 6. Data Kelompok Problem Based Learning


PBL
No.
KPM Penalaran
1 78 85
2 68 77
3 78 86
4 80 82
5 80 80
6 79 87
7 85 79
8 82 80
9 75 82
10 80 85

1. Hipotesis penelitian
H0 : Sampel berasal dari populasi berdistribusi normal
H1 : Sampel tidak berasal dari populasi berdistribusi normal
2. Taraf signifikan: 0.05
3. Statistik uji
Jarak kuadrat:
   
d 2j  x j  x ' S 1 x j  x , j  1,2,..., n.
4. Kriteria keputusan
H0 diterima jika nilai d 2j  50% dengan  p2 (0.5).

5. Perhitungan
 Langkah-langkah hasil perhitungan uji normalitas dengan menggunakan jarak
kuadrat sebagai berikut :
a. Nilai vektor rata-rata
Matriks SSCP
217.6 8.6 
SSCP   
 8.6 115.6
b. Matriks Kovarians S dan S 1 .
24.17778 0.95556
S 
 0.95556 12.8444 
 0.041482  0.00308
S 1   
 0.00308 0.07808 
c. Nilai jarak Mahalanobis d 2j setiap titik pengamatan dengan vektor rata-

ratanya:
   
d 2j  x j  x ' S 1 x j  x , j  1,2,..., n.

terdapat matriks 10 x 10.


d. Kemudian diagonal dari d 2j diurutkan dari yang terkecil ke yang terbesar.

 1
n j 
e. Tentukan nilai chi yang didekati dengan  p2  2
 n 
 
 
Untuk mendapatkan nilai chi  22 (0.5) menggunakan bantuan program Excel
dengan mengetikkan =CHIINV(0,5;2) hasilnya 1.386294.
Tabel 7. Hasil perhitungan d 2j yang telah terurut dan nilai chi kelompok Problem Based Learning

 1  1
Diagonal Diurutkan n j  n j 
No  2  p2  2
d 2j d 2j  n   n 
   
   

1 0,62490371 0,478208655 0,95 0,10259

2 5,32718356 0,548828975 0,85 0,32504

3 1,135322121 0,62490371 0,75 0,57536

4 0,478208655 1,135322121 0,65 0,86157

5 1,775211119 1,398856487 0,55 1,19567

6 1,880136839 1,775211119 0,45 1,59702

7 3,007621827 1,823726705 0,35 2,09964

8 1,398856487 1,880136839 0,25 2,77259

9 0,548828975 3,007621827 0,15 3,79424

10 1,823726705 5,32718356 0,05 5,99146

Berdasarkan tabel dapat diketahui bahwa banyaknya nilai d 2j (diagonal terurut)

yang kurang dari nilai chi (0,5) 1.386294 ada 4 nilai atau 40 %. Persentase ini dapat
dikatakan memenuhi kriteria chi square 50% sehingga dapat disimpulkan bahwa asumsi
normalitas multivariate terpenuhi. Ini merupakan cara menentukan uji normalitas
 
menggunakan kriteria chi  2 .
 Membuat scatter-plot menggunakan program Excel, sehingga didapatkan:

Gambar 3. Q-Q Plot Kelompok PBL

q-q plot kelompok PBL


6

4
mahalanobis

0
0 1 2 3 4 5 6 7
qi

Dengan melihat grafik pada Gambar 3. di atas dapat dikatakan bahwa asumsi
kenormalan p-variat pada kelompok Problem Based Learning terpenuhi karena
titik-titik amatan dapat dikatakan cukup mengikuti arah garis lurus diagonal.

 Cara ketiga untuk pengujian distribusi p-variat bisa menggunakan korelasi untuk
menguji tingkat signifikansi. Uji ini dilakukan dengan mengkorelasikan antara nilai
d 2j dengan nilai q i . Perhitungan koefisien korelasi menggunakan rumus yang
diperoleh dari buku Johnson and Wichern Hal. 181. Berdasarkan rumusan tersebut
diperoleh nilai koefisien korelasi untuk kelompok Problem Based Learning adalah

 x  
n

j  x q j  q = 23.67673326
j 1

 x 
n
2
j x = 4.382134
j 1

 q 
n
2
j q = 5.500149
j 1
rQ  0.9823

Dengan menggunakan taraf signifikansi 5%, maka dapat diperoleh daerah kritis
0.9198 (Tabel Johnson hal 181.). Karena nilai korelasi lebih besar daripada nilai
tabel maka dapat disimpulan bahwa data kemampuan pemecahan masalah dan
penalaran siswa dari kelompok Problem Based Learning berdistribusi normal p-
variat.

C. UJI NORMALITAS MULTIVARIAT DENGAN SPSS


Uji normalitas multivariat dengan SPSS dilakukan dengan membuat scatter-plot antara
jarak kuadrat (Jarak Mahalanobis) dengan Chi Square. Jika scatter-plot ini cenderung
membentuk garis lurus dan sekitar 50% nilai jarak Mahalanobis kurang atau sama dengan
Chi Square, maka Ho diterima artinya data berdistribusi normal p-variat.
Uji normalitas multivariat dengan SPSS dilakukan dengan menentukan jarak
Mahalanobis dari data yang kita miliki kemudian menghitung nilai chi squarenya. Setelah
itu kita buat scatter-plot antara keduanya. Jika sudah selanjutnya hitung korelasi antara
kedua data tersebut. Berikut ini langkah-langkah uji normalitas multivariat dengan SPSS :

1. Input data yang akan diuji distribusi normalitas p-variat kedalam SPSS. Kita akan
melakukan uji normalitas p-variat pada data peningkatan Kemampuan Pemacahan Masalah
dan Penalaran dengan menggunakan model pembelajaran Discovery Learning dari 10
siswa.
Gambar 4.

2. Setelah data diinput pada program SPSS, klik menu Analyze kemudian pilih Regression
lalu klik Linear. Langkah ini kita lakukan untuk menentukan jarak mahalanobis dari data
yang kita miliki.

Gambar 5.
3. Pada kotak dialog yang muncul isikan variabel Kemampuan Pemacahan Masalah dan
Penalaran dikolom independent(s), lalu masukkan juga variabel jumlah di kolom
Dependent. Selanjutnya silahkan klik Save.

Gambar 6.
Maka akan muncul kota dialog sebagai berikut.

Gambar 7.
4. Klik “Mahalanobis” pada Distance lalu klik Continue. Jika langkah yang dilakukan benar
maka akan muncul variabel baru di data anda yaitu MAH_1 yang merupakan jarak
Mahalanobis dari data yang dimiliki.

Gambar 8.

5. Setelah diperoleh jarak mahalanobis yang tersaji pada variabel MAH_1 kita perlu
mengurutkan data jarak mahalanobis tersebut. Untuk mengurutkan data jarak mahalanobis,
klik kanan pada MAH_1 kemudian pilih Sort Ascending seperti ditunjukkan pada gambar
berikut.
Gambar 9.

6. Data pada variabel MAH_1 sekarang sudah urut dari kecil ke besar. Selanjutnya, buatlah
variabel baru bernama “J” kemudian isikan berupa angka urut dari 1,2,3 dan seterusnya
hingga sejumlah data. Pada kasus ini digunakan data dari 10 siswa sehingga J bernilai
1,2,3,…,10.

Gambar 11.
7. Kemudian menentukan nilai probabilitas dari masing-masing nilai J terebut. Langkah yang
dilakukan adalah dengan komputasi variabel probabilitas value melalui menu Transform
kemudian pilih Compute Variable. Maka akan muncul jendela Compute Variable, tuliskan
Prob_value pada kolom Target Variable. Kemudian pada Numeric Expression isikan nilai
probabilitas sesuai teori yang kita ketahui, yaitu (J-0.5)/n dalam hal ini (J-0.5)/10 (Jonshon
& Wichem, 2007). J pada isian tersebut diisikan dengan memindahkan variabel J,
sedangkan nilai 0.5 dan 10 serta tanda baca lainnya diisi dengan tombol keyboard yang
tersedia pada jendela tersebut. Angka 10 kita tulis karena jumlah data berasal dari 10 siswa.
Jika sudah maka klik OK.

Gambar 12.

8. Maka akan muncul data nilai probabilitas pada variabel Prob_value yang berada di sebelah
kanan variabel J. Selanjutnya kita hitung nilai chi square untuk masing-masing nilai
probabilitas tersebut dengan cara klik menu Transform kemudian pilih Compute Variable.
Gambar 13.

9. Isikan “qi” pada kolom Target Variable yang merupakan simbol dari nilai chi square. Pada
kolom Numeric Expression isikan fungsi IDF.CHISQ diikuti variabel Prob_value dan df
atau derajat kebebasan, dalam hal ini 2 karena ada 2 variabel terikat yang kita uji. Sehingga,
isian pada kolom Numeric Expression adalah IDF.CHISQ(Prob_value,2) sesuai gambar
diatas. Maka akan muncul nilai chi square untuk masing-maisng nilai probabilitas pada
variabel qi. Sampai disini telah diperoleh jarak mahalanobis dan nilai chi square.
Gambar 14.

10. Selanjutnya untuk membuat scatter plot klik Graphs kemudian Legacy Dialogs dan pilih
Scatter/Dot…

Gambar 15.
11. Maka akan muncul jendela pilihan type scatter-nya, kemudian pilih simple scatter.
Selanjutnya klik Define maka akan muncul jendela Simple Scatterplot sebagai berikut.

Gambar 16.

12. Masukkan variabel Mahalanobis Distance (MAH_1) ke Y Axis dan variabel qi ke X Axis.
Kemudian klik Ok.

Gambar 17.
13. Maka akan tampil di output SPSS berupa scatter plot sebagai berikut.

Gambar 18.

Data berdistribusi normal p-variat apabila scatter plot ini cenderung membentuk
garis lurus dan lebih dari 50% nilai jarak Mahalanobis kurang atau sama dengan nilai qi.
Selain memperhatikan scatter plot dapat juga menarik kesimpulan dari nilai korelasinya.
Analisis korelasi ini dilakukan melalui menu Analyze kemudian klik Correlate dan pilih
Bivariate. Kemudian masukkan variabel Mahalanobis distance dan qi ke dalam kolom
variabel, selanjutnya klik Ok.
Gambar 19.
Maka akan tampil output sebagai berikut.

Correlations

Mahalanobis qi
Distance

Pearson Correlation 1 ,924**

Mahalanobis Distance Sig. (2-tailed) ,000

N 10 10
Pearson Correlation ,924** 1

Qi Sig. (2-tailed) ,000

N 10 10

**. Correlation is significant at the 0.01 level (2-tailed).


Gambar 20.

Koefisien korelasi yang diperoleh 0.924 menunjukkan koefisien yang sangat tinggi.
Besarnya koefisien korelasi antara -1 sampai dengan 1. Apabila koefisien korelasi > r tabel
atau nilai sig. < 0.05 maka terdapat korelasi yang signifikan. Cara yang sama dilakukan
untuk kelompok Inquiry dan Problem Based Learning.