TUGAS STATISTIKA

Kelompok 4:
1. Priscilia Ayu Yuliani (19709251004)
2. Fetty Faridatun Solikhah (19709251009)
3. Ari Kusdinar (19709251010)
4. Asri Dwita (19709251014)

1. (quantum.csv) suatu penelitian telah dilakukan untuk membandingkan dua jalur metode
pembelajaran Quantum Learning (QL) dengan Project Based Learning (PjBL) dalam
prestasi belajar, kemampuan penalaran, dan sikap siswa terhadap matematika untuk siswa
kelas VII SMP. Berdasarkan data post-test, buatlah stars plot dari ketiga variabel (prestasi
belajar, kemampuan penalaran, dan sikap siswa) untuk masing-masing metode
pembelajaran. Berikan interpretasi dari stars plot ini:

¿ dat1 <- read.csv(file="D:/Data/quantum.csv",head=TRUE)

¿ #subset data post-test untuk metode QL
¿QLpos <- subset(dat1, Tes =="Post" & Metode == "QL")
¿#subset data post-test untuk metode PjBL
¿PjBLpos <- subset(dat1, Tes =="Post" & Metode == "PjBL")

Penyelesaian:
¿ dat1 <- read.csv(file="D:/Data/quantum.csv",head=TRUE)

Fungsi dari dat1 <- read.csv(file="D:/Data/quantum.csv", adalah mengimport data1

pada D dengan folder data dan nama file quantum dengan jenis file .csv.
Fungsi dari head=TRUE) digunakan dengan tujuan agar R menggunakan baris pertama
dalam file quantum sebagai header atau nama dari variabel.

¿ #subset data post-test untuk metode QL

Fungsi dari #subset data post-test untuk metode QL, adalah menetapkan subset dari
data post_test berpasangan dengan metode QL

¿QLpos <- subset(dat1, Tes =="Post" & Metode == "QL")

Fungsi dari QLpos <- subset(dat1, Tes =="Post" & Metode == "QL") berarti R membaca
dalam file quantum.csv dengan QLpos yang merupakan bagian dari metode QL dengan
tesnya yaitu post test.

¿#subset data post-test untuk metode PjBL

Fungsi dari #subset data post-test untuk metode PjBL, adalah menetapkan subset dari
data post_test berpasangan dengan metode PjBL

¿PjBLpos <- subset(dat1, Tes =="Post" & Metode == "PjBL")

Fungsi dari PjBLpos <- subset(dat1, Tes =="Post" & Metode == "QL") berarti R
membaca dalam file quantum.csv dengan PjBLpos yang merupakan bagian dari metode
PjBL dengan tesnya yaitu post test.

¿library (ggplot2)

Fungsi dari library (ggplot2)adalah memberikan perintah pada R untuk visualisasi data.

¿library (GGally)

Fungsi dari library (GGally) adalah memberikan perintah pada R untuk melakukan
analisis.

¿win.graph (width = 10, height = 15)

Fungsi dari win.graph (width = 10, height = 15) adalah membuka jendela grafik baru
untuk plot data dengan panjang 10 dan tinggi 15.

¿win.graph (width = 10, height = 15)

Fungsi dari win.graph (width = 10, height = 15) adalah membuka jendela grafik baru
untuk plot data dengan panjang 10 dan tinggi 15.

¿stars(x = QLpos[,c("Penalaran","Prestasi","Sikap")], nrow = 9, ncol = 5,

draw.segments = TRUE, key.loc = c(3,23),labels =
as.character(QLpos$Subjek))

Fungsi dari stars(x= QLpos[,c("Penalaran","Prestasi","Sikap")], nrow = 9, ncol =

5,draw.segments = TRUE, key.loc = c(3,23),labels = as.character(QLpos$Subjek))
adalah membuat grafis multivariant stars plot dengan nilai x sebagai QLpos dengan yang
memuat penalaran, prestasi dan sikap pada diagram yang dilihat pada jendela grafik baru
pada jendela grafik baru dengan baris = 9 dan kolom = 5. Diagram tersebut memiliki
warna dan mengunci lokasi keterangan (penalaran, prestasi dan sikap) pada jendela grafis
dengan QL sebagai subjek.
 ¿stars(x = PjBLpos[,c("Penalaran","Prestasi","Sikap")], nrow = 9,
ncol = 5, draw.segments =TRUE, key.loc = c(3,23),labels =
as.character(PjBLpos$Subjek))

Fungsi dari stars(x = PjBLpos[,c("Penalaran","Prestasi","Sikap")], nrow = 9, ncol

= 5, draw.segments =TRUE, key.loc = c(3,23),labels =
as.character(PjBLpos$Subjek))adalah membuat grafis multivariant stars plot dengan
nilai x sebagai PjBLpos dengan yang memuat penalaran, prestasi dan sikap pada diagram
yang dilihat pada jendela grafik baru pada jendela grafik baru dengan baris = 9 dan
kolom = 5. Diagram tersebut memiliki warna dan mengunci lokasi keterangan (penalaran,
prestasi dan sikap) pada jendela grafis dengan PjBL sebagai subjek.

Berikut adalah stars plot untuk metode Quantum Learning (QL):

Dari stars plot di atas, terlihat bahwa warna hitam menginterpretasikan kemampuan penalaran
siswa, warna hijau menginterpretasikan skor sikap siswa dan warna merah
menginterpretasikan prestasi belajar siswa. Dari interpretasi di atas terlihat bahwa yang
memiliki prestasi belajar dan kemampuan penalaran terbaik adalah subjek S4. Dari data di
atas, terlihat bahwa S28 memiliki skor sikap terbaik.
Subjek S22 dan S27 memiliki prestasi dan kemampuan penalaran yang sangat rendah.
Selanjutnya S2 memiliki skor sikar terendah.

Berikut adalah stars plot untuk metode Project Based Learning (PjBL):
Dari stars plot di atas, terlihat bahwa warna hitam menginterpretasikan kemampuan penalaran
siswa, warna hijau menginterpretasikan skor sikap siswa dan warna merah
menginterpretasikan prestasi belajar siswa. Dari interpretasi di atas terlihat bahwa yang
memiliki prestasi belajar dan kemampuan penalaran terbaik adalah subjek S4. Dari data di
atas, terlihat bahwa S28 memiliki skor sikap terbaik.
Subjek S22 dan S27 memiliki prestasi dan kemampuan penalaran yang sangat rendah.
Selanjutnya S2 memiliki skor sikar terendah.
2. (react.csv) Dari data ini, buat matriks X untuk ketiga variabel (Pemecahan, Prestasi,
Apresiasi) pada skor post-test dari strategi pembelajaran REACT.
a. Hitung rata-rata skor untuk masing-masing variabel
b. Tentukan matriks variansi dan kovariansi sampel (S). Ekstrak nilai variansi untuk
setiap variabel dari matriks S tersebut.
c. Tentukan matriks korelasi sampel (R) dan tampilkan dengan 3 digit di belakang
koma
¿dat2 <- read.csv(file="D:/Data/react.csv",head=TRUE)
¿REACTpos <- subset(dat2, Tes == "Post" & Strategi == "REACT",
select=c(Pemecahan,Prestasi,Apresiasi))
¿head(REACTpos,n=2)
Pemecahan Prestasi Apresiasi
24 83.33 70 103
25 55.56 65 131

Penyelesaian:

¿dat2 <- read.csv(file="D:/Data/react.csv",head=TRUE)

Fungsi dari ¿dat2 <- read.csv(file="D:/Data/react.csv",adalah mengimport data2

pada D dengan folder data dan nama file react dengan jenis file .csv.
Fungsi dari head=TRUE) digunakan dengan tujuan agar R menggunakan baris pertama
dalam file quantum sebagai header atau nama dari variabel.

¿REACTpos <- subset(dat2, Tes == "Post" & Strategi == "REACT",

select=c(Pemecahan,Prestasi,Apresiasi))

Fungsi dari ¿REACTpos <- subset(dat2, Tes == "Post" & Strategi == "REACT",
select=c(Pemecahan,Prestasi,Apresiasi))
berarti R membaca dalam file react.csv dengan REACTpos yang merupakan bagian
dari strategi REACT dengan tesnya yaitu post test dan variabel pemecahan, prestasi dan
apresiasi.

¿head(REACTpos,n=2)

Fungsi dari ¿head(REACTpos,n=2)digunakan dengan tujuan agar R menggunakan baris

pertama dalam REACTpos dengan n = 2.

Pemecahan Prestasi Apresiasi

24 83.33 70 103
25 55.56 65 131
a. Rata-rata skor untuk masing-masing variabel
> colMeans(REACTpos)

Pemecahan Prestasi Apresiasi

66.54652 69.56522 111.30435

Rata-rata untuk variabel pemecahan pada strategi React adalah 66.54652.

Rata-rata untuk variabel prestasi pada strategi React adalah 69.565222.
Rata-rata untuk variabel apresiasi pada strategi React adalah 111.30435.

b. Matriks Variansi dan Kovariant

> cov(REACTpos)

Pemecahan Prestasi Apresiasi

Pemecahan 207.948442 61.18024 6.103379

Prestasi 61.180237 83.89328 58.320158

Apresiasi 6.103379 58.32016 309.675889

Keterangan:
: variansi
: kovariansi

c. Matriks korelasi
> cor(REACTpos)

Pemecahan Prestasi Apresiasi

Pemecahan 1.00000000 0.4632013 0.02405132
Prestasi 0.46320126 1.0000000 0.36182736
Apresiasi 0.02405132 0.3618274 1.00000000

Matriks korelasi dengan 3 angka dibelakang koma

> round(cor(REACTpos),3)

Pemecahan Prestasi Apresiasi

Pemecahan 1.000 0.463 0.024
Prestasi 0.463 1.000 0.362
Apresiasi 0.024 0.362 1.000
3. Berikut dua matriks:

[ ] [ ]
A= 2 3 , B= 1 0
3 6 0 1
Hitung perkalian berikut: AB dan BA.
Bagaimana hasil dari perkalian-perkalian tersebut?

Penyelesaian:

> A <- matrix(c(2,3,3,6),nrow=2,ncol=2,byrow=TRUE)

Fungsi dari > A <- matrix(c(2,3,3,6),nrow=2,ncol=2,byrow=TRUE) adalah

membuat matriks dari 2, 3, 3, 6 dengan ordo 2 ×2.

> A

Fungsi dari > A adalah menyatakan matriks yang sudah dinyatakan sebelumnya.

[,1] [,2]

[1,] 2 3

[2,] 3 6

> B <-matrix(c(1,0,0,1), nrow=2, ncol=2, byrow=TRUE)

Fungsi dari > B <-matrix(c(1,0,0,1), nrow=2, ncol=2, byrow=TRUE) adalah

membuat matriks dari 1,0,0,1 dengan ordo 2 ×2.
> B

Fungsi dari > B adalah menyatakan matriks yang sudah dinyatakan sebelumnya.

[,1] [,2]

[1,] 1 0

[2,] 0 1

> A*B

Fungsi dari > A*B adalah mengalikan matriks A dengan matriks B.

[,1] [,2]

[1,] 2 0

[2,] 0 6
 > B*A

Fungsi dari > B*A adalah mengalikan matriks B dengan matriks A.

[,1] [,2]

[1,] 2 0

[2,] 0 6

Dari data di atas terlihat bahwa nilai matriks AB=BA untuk B merupakan matriks identitas

4. (inkuiri.csv) Suatu penelitian telah dilakukan untuk mengetahui perbedaan peningkatan

keterampilan metakognitif dan sikap ilmiah peserta didik SMA pada materi laju reaksi
antara penerapan model pembelajaran inkuiri terbuka dan model pembelajaran langsung.

Gunakan data post-test pada variabel keterampilan metakognitif untuk menjawab

pertanyaan-pertanyaan berikut, Gunakan taraf signifikansi 0.05.
a. Tuliskan hipotesis nol dan hipotesis alternatif dengan simbol. (Ingin menguji apakah
ada pengaruh kedua model pembelajaran terhadap keterampilan metakognitif peserta
didik SMA)!
b. Hitung rata-rata dan simpungan baku dari variabel keterampilan metakognitif pada
masing-masing model pembelajaran!
c. Buat grafik boxplot bagi masing-masing model pembelajaran pada variabel
keterampilan metakognitif, Berikan interprestasinya!
d. Lakukan analisis variansi dari (a) dan berikan kesimpulan!
e. Jika hasil analisis variansi dari (c) adalah H 0 ditolak, maka lakukan pengujian lanjutan
dengan prosedur Tukey. Model pembelajaran manakah yang lebih baik?
Penyelesaian:
a. H 0 : μ1=μ2
H a : μ 1 ≠ μ2

b. Rata-rata dari variabel keterampilan metakognitif

> 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

Rata-rata dari model pembelajaran inkuiri adalah 67.16667 dan rata-rata dari model
pembelajaran langsung adalah 59.37500.
 Simpangan baku dari variabel keterampilan metakognitif
> 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

Simpangan baku dari model pembelajaran inkuiri adalah 6.131931 dan simpangan
baku dari model pembelajaran langsung adalah 8.025753.

c. Grafik boxplot model inkuiri dan langsung pada variabel keterampilan metakognitif

Pembelajaran inkuiri pada keterampilan metakognitif dapat dilihat tidak ada outliers
untuk nilai minimum

d. Analisis variansi dari model pembelajaran tersebut adalah

> 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

F hitung =17.85
 > qf(0.95, df1=1, df2=58)
[1] 4.006873

F tabel=4.006873

Karena F hitung yaitu 17.85 lebih besar dari F tabel yaitu 4.006873 maka H 0 ditolak
sehingga ada pengaruh.

e. Dari hasil pengujian lanjutan dengan prosedur tukey, terlihat bahwa nilai diff, lwr, upr
bernilai negatif. Dalam hal ini, pembelajaran yang lebih baik adalah inkuiri.
diff lwr upr p adj
Langsung-Inkuiri -7.791667 -11.48289 -4.100442 8.54e-05

5. (quantum.csv) Seorang peneliti ingin mengetahui apakah rata-rata post-test prestasi

belajar matematika, kemampuan penelaran, dan sikap siswa terhadap matematika yang
memperolah metode pembelajaran Quantum Learning sama dengan nilai kriteria
ketuntasan minimal (KKM) secara berturut-turut sebesar 79.99, 12 dan 72.99. Subyek
penelitian adalah siswa kelas VII SMP.
a. Tuliskan hipotesis nol dan hipotesis alternatif dengan simbol. (Ingin menguji rata-rata
post-test prestasi belajar matematika = 74.99, kemampuan penalaran = 12, dan sikap
siswa terhadap matematika = 72.99.

[ ]
x prestasi
b. Hitung vektor rata-rata dari ketiga skor tersebut, x= x penalaran
x sikap
c. Hitung matriks kovarians sampel, S.
d. Tentukan nilai T 2 Hotelling dan p-value
e. Tentukan nilai statistik uji F dan p-value
f. Berikan kesimpulan berdasarkan hipotesis pada (a) Gunakan taraf signifikansi α =0.05 .
g. Apakah asimsi normalitas multivariat terpenuhi? (Gunakan uji Henze-Zirkler)
Tuliskan!
h. Buat plot khi-liadrat untuk mengecek asumsi normalitas multivariat. Gunakan kuantil
khi-kuadrat vs jarak kuadrat umum.
i. Hitung interval kepercayaan secara simultan 95% bagi μ prestasi , μ penalarandan μsikap
berdasarkan uji t Bonferroni. Berikan interpretasi dan Kesimpulan
Penyelesaian:

[][ ]
μ1 79.99
a. H0: μ2 = 12
μ3 72.99
 [][ ]
μ1 79.99
H1: μ2 ≠ 12
μ3 72.99
Dengan 𝜇1 adalah rata-rata populasi skor post-test prestasi belajar matematika pada
kelas yang memperoleh metode Quantum Learning. 𝜇2 adalah rata-rata populasi skor
post-test kemampuan penalaran matematika pada kelas yang memperoleh metode
Quantum Learning. 𝜇3 adalah rata-rata populasi skor post-test sikap siswa terhadap
matematika pada kelas yang memperoleh metode Quantum Learning.

[ ]
79,60000
b. X̄ = 14,90000
87,83333

c. Matriks kovariansi sampel (s) tersebut adalah :

Prestasi Penalaran Sikap
Prestasi 133.90345 29.475862 23.655172
Penalaran 29.47586 9.748276 7.362069
Sikap 23.65517 7.362069 54.212644

133.90345 29.475862 23.655172

S= ⌊ 29.47586 9.748276 7.362069 ⌋
23.65517 7.362069 54.212644

d. Nilai T2 hotellingnya adalah 138.31dan p-value < 2.2e-16

e. Nilai Distribusi F nya adalah 42.925 dan p-value nya adalah 2.07e-10
f. Kriteria keputusan: tolak H0 jika 𝑇2 > p value maka Ho ditolak. Dalam hal ini, 𝑇2 =
138.31> p value =2.2e-16 Artinya

[][ ]
μ1 79.99
μ2 ≠ 12
μ3 72.99

g. Test

HZ p value MVN
1 Henze-Zirkler 1.149768 0.002382699 NO

asumsi normalitas multivariat tidak terpenuhi berdasarkan uji Henze-Zirkler. Artinya,

ketiga variable dependen pada grup ekperimen tersebut tidak mengikuti distribusi
normal multivariate

h.
Dari Chi-Square Q-Q plot untuk grup eksperimen terlihat bahwa titik-titik tidak terlalu dekat
dengan garis lurus mengindikasikan asumsi normalitas multivariate seperti akan tidak
terpenuhi.
Berikut adalah jarak kuadrat umumnya

i.

Dalam hal ini,

Dalam hal ini, uji t Bonferroni dengan
Interval kepercayaan secara simultan 95% bagi 𝜇1, 𝜇2, 𝜇3 yaitu
74.23186 ≤ 𝜇1 ≤ 84.96814
13.45159 ≤ 𝜇2 ≤ 16.34841
84.41764 ≤ 𝜇3 ≤ 91.24902

[][ ]
μ1 79.99
μ2 ≠ 12 karena tidak memenuhi asumsi berdasar uji t Bonferroni dengan
μ3 72.99
Interval kepercayaan secara simultan 95% bagi 𝜇1, 𝜇2, 𝜇3 yaitu
74.23186 ≤ 𝜇1 ≤ 84.96814
13.45159 ≤ 𝜇2 ≤ 16.34841
84.41764 ≤ 𝜇3 ≤ 91.24902