Diajukan untuk memenuhi salah satu tugas Mata Kuliah Statistika Terapan yang
diampu oleh
Disusun oleh:
Wandi (2208151)
Pada kesempatan ini saya mengucapkan banyak terima kasih kepada dosen yang
telah mengajarkan mata kuliah statistika terapan yang telah memberikan
bimbingan kepada saya dalam menyelesaikan tugas ini. Selain itu ucapan
terimakasih kepada semua pihak yang telah membantu saya dalam mengerjakan
tugas ini sampai selesai.
Saya berharap adanya saran dan masukan dari semua pihak, sebagai bahan
perbaikan dan tambahan pengetahuan serta pengalaman bagi saya untuk
pembuatan makalah berikutnya. Semoga makalah ini dapat memberikan manfaat
bagi kita semua.
Penyusun
1
DAFTAR ISI
2
BAB I
PENDAHULUAN
1.1. Latar Belakang
Dalam perkembangan Ilmu Pengetahuan dan Teknologi (IPTEK) saat ini,
ilmu statistika telah mempengaruhi hampir seluruh aspek kehidupan manusia.
Hampir semua kebijakan publik dan keputusan-keputusan yang diambil oleh
pakar ilmu pegetahuan atau para eksekutif (dalam ruang lingkup ilmu mereka)
didasarkan dengan metode statistika serta hasil analisis dan interpretasi data, baik
secara kuantitatif maupun kualitatif. Salah satu kegiatan dalam pembuatan laporan
hasil penelitian yang telah dilakukan agar dapat dipahami dan dianalisis sesuai
dengan tujuan yang diinginkan dinamakan Penyajian data. Penyajian data yang
disajikan harus sederhana dan jelas agar mudah dibaca. Penyajian data juga
dimaksudkan agar para pengamat dapat dengan mudah memahami apa yang kita
sajikan untuk selanjutnya dilakukan penilaian atau perbandingan dan lain-lain.
3
sebaiknya data itu diolah. Terdapat banyak metode yang digunakan dalam ilmu
staistik diantaranya N-Gain, N-Change, dan Effect size. Ketiga metode itu sangat
penting penggunaanya terutama dalam penelitian bidang Pendidikan. Oleh karena
itu, mengenalnya adalah suatu keharusan sehingga kita bisa familiar dan tidak
salah ketika akan menggunakan metode-metode itu. Selain itu, seiring
perkembangan zaman yang sudah maju, analisa-analisa saat ini sudah lebih mudah
dilakukan karena kita bisa menggunakan software-software yang memudahkan
kita dalam melakukan analisa statistik. Dalam makalah ini akan disajikan juga
penggunaan software statistik yang bernama SPSS yang akan digunakan untuk N-
Gain, N-change, dan Effect size.
1.3. Tujuan
4
BAB II
PEMBAHASAN
5
maupun penurunan, sehingga pengujian ini merupakan metode yang cocok untuk
diterapkan dalam menentukan ada tidaknya perkembangan. Adapun normalized
gain atau N-Gain score dapat kita hitung dengan berpedoman pada rumus di
bawah ini :
¿ g>¿ ¿ ¿
Dalam persamaan ini, yang dilakukan pertama kali adalah menghitung nilai rata-
rata dari pre-test dan rata-rata post-test skor dari kelas kemudian
mengkonversinya kedalam bentuk Normalized Gain. Adapun kategori hasilnya
ditampilkan dalam tabel berikut:
6
Tabel 1: Kategori N-Gain of average (R. Hake, 1998)
Diperoleh nilai g = 0,402, jika diinterpretasi, maka masuk ke dalam kategori nilai
sedang.
7
2. Rata-rata dari Gain (Average of Gain)
gave =
⟨ (% S f −% Si )
(100−% S i) ⟩
Dalam persamaan average of gain hal yang dilakukan adalah terlebih dahulu
mencari nilai Normalized Gain untuk masing-masing siswa kemudian baru dicari
rata-ratanya. Kategori hasil dari average gain kelompokan berdasarkan tabel
berikut:
8
Tabel 4: Contoh data average of gain
Diperoleh nilai gave 0,399 jika diinterpretasi, maka masuk ke dalam kategori
sedang.
Menurut Hake (1998) dan Bao (2006), perbedaan dari kedua perhitungan tersebut
tidak signifikan untuk kelas besar, tetapi mungkin sedikit berbeda untuk kelas
kecil dan dapat dilihat dari contoh di atas. Data yang digunakan sama, namun nilai
N-Gain berbeda. Dari simulasi perhitungan penulis, kedua nilai ini hampir sama
jika jumlah sampel N ≥ 53.
1. Dalam penelitian one group pre-test post-test design, uji N-Gain dapat
digunakan ketika ada perbedaan yang signifikan antara rata-rata nilai pre-test
dengan post-test melalui uji paired simple t test.
9
pembelajaran siswa satu dengan pembelajaran lain dari institusi yang berbeda
dengan latar belakang berbeda pula. Sebuah keuntungan yang dapat dikatakan luar
biasa, bagaimana tidak tanpa melihat kondisi awal sebuah perlakuan bisa bisa
dibandingkan.
10
memiliki skor 0 atau 100 pada pre-test maupun post-test. Selain itu Normalized
Change digunakan jika N-Gain bernilai negatif. Maka persamaan yang digunakan:
11
hipotesis nol menyatakan ada suatu perbedaan signifikan secara statistik, hal ini
tidak berarti bahwa perbedaan itu besar, penting atau bermakna dalam membuat
keputusan. Untuk mengetahui suatu perbedaan tidak hanya bermakna secara
statistik tetapi juga penting/berarti, dibutuhkan perhitungan effect size.
Nilai P pada uji signifikansi dapat menginformasikan apakah ada efek atau
tidak, tetapi nilai P tidak akan mengungkapkan besarnya efek tersebut. Effect size
yang akan menginformasikan apakah perbedaan rata-rata antar kelompok besar
atau kecil. Hal ini diperjelas dengan pernyataan Snyder & Lawson (1993), bahwa
effect size memperkirakan besarnya efek ataupun hubungan antara dua atau lebih
variabel. Baik effect size maupun uji signifikansi akan sangat berguna bagi
informasi penelitian. Oleh karena itu, dalam pelaporan dan menafsirkan
penelitian, effect size dan uji signifikansi (nilai P) adalah hasil yang penting untuk
dilaporkan. Dengan kata lain, effect size menjadi pelengkap statistik inferensial
seperti nilai P pada uji signifikansi.
Konsep effect size telah terlihat dalam bahasa sehari-hari. Misalnya, suatu
program penurunan berat badan menyatakan bahwa program tersebut dapat
mengurangi berat badan rata-rata 25 pon. Pada kasus ini, 25 pon adalah indikator
tuntutan effect size. Contoh lainnya adalah suatu program bimbingan belajar yang
menyatakan dapat meningkatkan prestasi sekolah satu peringkat. Peningkatan
peringkat ini adalah tuntutan effect size. Kedua contoh ini merupakan “effect size
mutlak”, perbedaan antara hasil rata-rata dua kelompok tanpa memperhatikan
variabilitas/penyebaran dalam satu kelompok. Oleh karena ketiadaan variabilitas
ini, pendugaan effect size perlu dilakukan.
Seorang peneliti menyatakan bahwa penyembuhan kanker hipertiroid
stadium akhir dengan iodium radioaktif dikenal 30% lebih efektif daripada
metode lainnya. Indikator 30% tersebut merupakan tuntutan effect size. Suatu
lembaga survei menyatakan bahwa 60% penduduk Jakarta lebih memilih
menghabiskan waktu akhir pekannya di mall. Indikator 60% tersebut juga
merupakan tuntutan effect size. Kedua contoh ini merupakan penentuan effect size
dalam hal perbedaan proporsi populasi.
Pendugaan effect size sering dibutuhkan sebelum memulai penelitian,
misalnya untuk menghitung jumlah subjek penelitian yang mungkin diperlukan
12
agar menghindari kesalahan tipe II. Dengan kata lain, peneliti harus menentukan
apakah jumlah subjek penelitian akan cukup untuk memastikan bahwa
penelitiannya memiliki kekuatan yang dapat diterima dalam mendukung hipotesis
nol. Artinya, jika ada perbedaan yang ditemukan antara kelompok, maka ini
merupakan temuan yang benar.
2.3.2 Jenis Effect size
Effect size dihitung untuk menggambarkan data dalam sampel dan
berpotensi menduga parameter populasi yang sesuai. Jika parameter itu adalah
perbedaan rata-rata dua populasi, maka effect size ditentukan oleh seberapa besar
perbedaan rata-rata itu. Contohnya, effect size digunakan untuk mengetahui besar
kecilnya perbedaan rata-rata konsumsi bensin yang dikeluarkan oleh mesin jenis
A dan jenis B. Contoh lainnya, effect size digunakan untuk mengetahui besar
kecilnya perbedaan rata-rata kandungan senyawa ortho-fosfor pada lokasi 1 dan
lokasi 2.
Menurut Ferguson (2009), effect size dapat dibagi menjadi empat kategori umum:
13
b. Indeks kekuatan hubungan. Perkiraan ini biasanya memeriksa besarnya variansi
antara dua atau lebih variabel. Effect size yang umum digunakan adalah Pearson 𝑟,
𝑅, 𝑟 parsial, Spearman’s 𝜌, koefisien regresi yang distandarkan (β), 𝑟2, Kendall’s
tau, Eta-kuadrat (𝜂2).
c. Perkiraan yang dikoreksi. Effect size yang umum digunakan adalah adjusted 𝑅2,
Hay’s 𝜔2, 𝜀2.
Cohen’s d
Jenis effect size yang paling banyak digunakan adalah effect size d atau yang
sering disebut dengan Cohen’s d. Cohen’s d adalah ukuran dari effect size yang
mendeskripsikan standar perbedaan rata-rata dari suatu efek. Adapun rumus
Cohens’ d adalah sebagai berikut :
√
2 2
SD 1 + SD 2
SD Pooled =
2
Jika ukuran sampelnya berbeda (Cohens’ d ds):
' M 1−M 2
Cohen s d ds=
SD Pooled
dimana
√
SD Pooled =
(n1 −1) SD 21 +(n2−1) SD 22
n1+ n2−2
Jika ukuran sampelnya < 50:
14
Cohen s ' d=
M 1−M 2
SD Pooled
x( n−3
n−2.25
x
n−2
n ) √
Cohen (1998) dan Lakens (2013) menggunakan subskrip untuk membedakan tipe-
tipe atau jenis-jenis dari Cohen’s d. Contohnya tipe Cohen’s ds dimana tanda s
menunjukan bahwa sampelnya adalah diantara dua grup yang independent. Dalam
menggunakan Cohen’s ds, peneliti direkomendasikan untuk menggunakan koreksi
Bessel untuk mengurangi bisa pada estimasi varians populasi seperti halnya bias
estimasi standar deviasi populasi. Dalam koreksi Bessel digunakan n-1 yang
merupakan koreksi untuk perbedaan antara sampel dan populasi. Kriteria
pengkategorian nilai Cohens’d effect size (J Cohen, 1988) adalah sebagai berikut :
Menurut Cohen’s, kriteria effect size yang semakin besar berarti perbedaanya
dapat dilihat dengan kasat mata.
Koreksi Hedges
Karena Cohen’s ds didasarkan pada rata-rata sampel, hal ini menimbulkan bias
pada populasi effect size khususnya ketika menggunakan ukuran jumlah sampel
yang kecil seperti dibawah 20 (Hedges and Olkin, 1985). Hal ini menyebabkan
Cohen’s ds sering disebut effect size tak terkoreksi. Untuk alasan itu,
diperkenalkan Koreksi Hedges. Adapun persamaannya adalah :
(
gs =d s 1−
3
4 ( n 1+ n2 )−9 )
Glass’s Δ
Glass’s Δ awalnya dikembangkan untuk konteks riset eksperimental tapi
kemudian berlanjut digeneralisasi untuk studi non-eksperimental dan
menggunakan standar deviasi grup kontrol sebagai standarisasi. Persamaan yang
digunakan adalah sebagai berikut :
15
M 1−M 2
∆ s=
SD control
2.4. Contoh Kasus Menghitung N-Gain Score di SPSS pada Penelitian
a) Sebelum kita membuka program SPSS, maka terlebih dahulu kita perlu
membuat pengelompokan data untuk kelas eksperimen dan kelas kontrol. Hal ini
bertujuan untuk mempermudah proses input data di SPSS nantinya. Adapun
pengelompokan data untuk kelas eksperimen dan kelas kontrol dapat kita lihat
pada gambar tabel di bawah ini.
16
- Keterangan: data kelas eksperimen kategori kelompok 1, sementara data kelas
kontrol kategori kelompok 2.
b) Selanjutnya, buka program SPSS lalu klik Variable View. Untuk mengisi
properti variabel penelitian dilakukan dengan mengikuti petunjuk gambar di
bawah ini.
17
Kemudian isi kembali kotak Value dengan angka 2 dan isi Label dengan
Kontrol, lalu klik Add dan Ok. Tampak di layar.
d) Jika proses mengisi properti variabel ini sudah dilakukan secara benar,
maka hasilnya akan terlihat sebagaimana gambar berikut.
18
f) Selanjutnya kita akan menghitung selisih nilai pre-test dan pada kelas
eksperimen dan kelas kontrol. Caranya dari menu SPSS klik Transform lalu
klik Compute Variable…
19
g) Maka muncul kotak dialog dengan nama “Compute Variable” selanjutnya
pada kotak Target Variable ketikan “Post_Kurang_Pre” pada kotak Numeric
Expression ketikkan “Post-Pre” lalu klik Ok. Penulisan tanpa tanda petik (“).
Tampak di layar.
h) Maka pada tampilan Data View akan muncul variabel baru dengan nama
Post_Kurang_Pre
20
i) Langkah berikutnya klik kembali menu Transform – Compute Variable…
Selanjutnya hapus tulisan yang ada pada kotak Target Variable lalu ketikan
“Seratus_Kurang_Pre” setelah itu hapus tulisan yang ada di kotak Numeric
Expression lalu ketikan “100-Pre” kemudian klik Ok. Penulisan tanpa tanda
petik (“). Tampak di layar.
21
j) Maka pada tampilan Data View akan muncul variabel baru dengan nama
Seratus_Kurang_Pre
22
k) Klik menu Transform – Compute Variable… Hapus tulisan yang ada pada
kotak Target Variable lalu ketikan “NGain_Score” selanjutnya hapus tulisan
yang ada di kotak Numeric Expression lalu ketikan “Post_Kurang_Pre
/Seratus_Kurang_Pre” kemudian klik Ok. Penulisan tanpa tanda petik (“).
Tampak di layer.
l) Maka pada tampilan Data View akan muncul variabel baru dengan nama N
Gain Score.
23
Catatan: nilai di atas adalah N-Gain_Score yang dapat langsung kita
maknai (interpretasikan) sesuai dengan ketentuan pada pembagian
kategori perolehan nilai N-Gain skor. Namun pada kesempatan ini
saya ingin menghitung N-gain score dalam bentuk persen (%).
m). Caranya klik menu Transform – Compute Variable… Hapus tulisan yang ada
pada kotak Target Variable lalu ketikan “NGain_Persen” selanjutnya hapus
tulisan yang ada di kotak Numeric Expression lalu ketikan “NGain_Score*100”
kemudian klik Ok. Penulisan tanpa tanda petik (“). Tampak di layar.
24
n) Maka pada tampilan Data View akan muncul variabel baru dengan nama
NGain_Persen sebagai berikut.
25
o) Berikutnya kita akan menghitung rata-rata nilai N-gain score dalam bentuk
persen (%) tersebut. Caranya klik Analyze – Descriptive Statistics – Explore…
q). Langkah terakhir klik Ok. Maka akan muncul output SPSS dengan judul
“Explore”. Dalam hal ini kita cukup memperhatikan tabel output “Descriptive”.
Tampak dilayar.
26
r). Interpretasi N-Gain Score Kelas Eksperimen dan Kontrol dengan SPSS
Mengacu dari nilai N-gain dalam bentuk persen (%) dan tabel output Descriptive
di atas maka kita dapat membuat sebuah tabel hasil perhitungan uji N-gain score
sebagai berikut.
Berdasarkan hasil perhitungan uji N-gain score di atas, menunjukkan bahwa nilai
ratarata N-gain score untuk kelas eksperimen (metode cooperative learning)
adalah sebesar 43,5950 atau 43,6% termasuk dalam kategori kurang efektif.
27
Dengan nilai N-gain score minimal 20% dan maksimal 71,43%. Sementara untuk
rata-rata N-gain score untuk kelas kontrol (metode konvensional learning) adalah
sebesar 26,5645 atau 26,6% termasuk dalam kategori tidak efektif. Dengan nilai
N-gain score minimal 6,25% dan maksimal 47,73%. Dengan demikian, maka
dapat disimpulkan bahwa penggunaan metode cooperative learning kurang efektif
untuk meningkatkan hasil belajar dalam mata pelajaran Fisika materi Dinamika
rotasi pada siswa kelas 11 SMA-IT Nurhidayah Surakarta Tahun Pelajaran 2019.
Pak budi ingin menentukan apakah model pembelajaran PjBL dan PBL efektif
dalam meningkatkan prestasi siswa Kelas X dalam mata pelajaran Fisika Materi
Medan Magnet disalah satu SMA di Kota Bandung. Adapun datanya sebagai
berikut :
28
Untuk menjawab pertanyaan ini, berikut akan dilakukan uji effect size dengan
menggunakan SPSS dan Microsoft Excel. Dalam hal ini langkah-langkah yang
dilakukan hanya hasilnya saja mengingat Teknik input data dalam SPSS sudah
dipelajari sebelumnya. Berikut hasil dari langkah-langkah yang telah dilakukan :
1. Uji Normalitas
Dari hasil uji normalitas yang sudah dilakukan terlihat bahwa Kelas_PjBL dan
Kelas_Kontrol memilki nilai signifikansi yang kurang dari 0.05 yang berarti data
tidak terdistribusi normal. Akibat dari itu, hal selanjutnya adalah menggunakan uji
non-parametrik Kruskal-Walis.
29
Dari hasil yang didapat terlihat bahwa nilai Asymp. Sig adalah 0.000 dan lebih
kecil dari 0.05 yang berarti terdapat perbedaan yang signifikan antara masing-
masing data. Untuk melihat hubungan perbedaan antara masing-masing kelompok
perlakuan terhadap kelompok lainnya, maka digunakan Pairwise Comparison
dengan hasil sebagai berikut :
Dari hasil diatas, dapat dilihat bahwa antara perlakuan satu dengan perlakuan
lainnya masing-masing mempunyai hubungan yang signifikan. Untuk melihat
seberapa besar efeknya, maka digunakan perhitungan effect size Cohen’s d dengan
persamaan berikut :
30
Dapat dilihat bahwa antara Kelas PjBL dan Kelas Kontrol memiliki nilai efek
sebesar 1.09 dengan kategori Large (Besar). Adapun antara Kelas PBL dan Kelas
Kontrol memiliki besar efek sekitar 0.6 yang berarti moderate. Hal ini
membuktikan bahwa ada pengaruh yang signifikan dalam perlakuan model PjBL
dan PBL. Hal yang menarik adalah bahwa PjBL lebih baik dibandingkan dengan
PBL dengan besar efek sekitar 0,4 (meskipun termasuk kategori small)
31
BAB III
PENUTUP
3.1. Kesimpulan
3.2. Saran
32
DAFTAR PUSTAKA
33